scipy.stats.gamma.fit()输入含负观测值仍输出拟合结果的原因问询

Gamma分布的理论支撑集为正实数，数学层面只要输入存在非正观测值，对应的对数似然值应为负无穷，负对数似然为正无穷，理论上MLE拟合无法收敛。scipy.stats.gamma.fit() 采用工程化调整处理这类不符合理论要求的输入，具体逻辑如下：

• 拟合默认采用 method="MLE" 参数，核心目标是最小化总负对数似然值
• 计算单样本负对数似然时，会先校验观测值是否落在分布支撑集内：对无位移的Gamma分布来说即观测值是否大于0
• 对超出支撑集的观测值，不会直接返回无穷大（会导致优化直接崩溃），而是施加一个固定的大数值有限惩罚项，当前版本惩罚量级约为1e16
• 整个优化过程（默认采用L-BFGS-B算法）会基于所有样本的负对数似然之和（含惩罚项）寻找最优分布参数

看似合理结果的成因 #

如果你的输入中负值占比偏低，惩罚项的总权重会远低于正值样本的负对数似然贡献，优化过程会优先拟合大多数正值样本的分布特征，最终输出的参数对正值样本的拟合效果会看起来符合预期。如果输入负值占比很高，优化过程会优先调整位移参数（loc）把Gamma分布整体左移，让尽可能多的样本落在移动后的支撑集范围内，此时输出的是带位移的Gamma分布参数，和你预期的标准零位移Gamma分布并不一致。

该设计的核心是为了保证数值计算的稳定性，避免输入不符合理论要求时程序直接报错，输出结果本身已经引入了惩罚项的偏差，使用时需要自行校验输入是否符合分布的支撑集要求。

内容的提问来源于stack exchange，提问作者uoay