如何借助Scipy实现固定已知均值的伽马分布参数拟合?
带固定均值约束的伽马分布拟合实现
Scipy 原生的rv_continuous.fit接口仅能固定独立参数,无法直接绑定两个参数的乘积约束,但完全可以通过参数关系改写,实现固定均值的拟合目标,不需要更换核心依赖库。
核心实现原理
Scipy 中伽马分布的参数构成、均值关系为:
- 参数体系:形状参数
shape(k)、位置参数loc、尺度参数scale(θ) - 均值计算公式:
E[X] = k*θ + loc
在常用的零位置偏移(loc=0)伽马分布场景下,要固定分布均值为指定值mu,存在固定约束 k*θ = mu,此时scale可以完全被待估计的形状参数表示为:θ = mu/k。
只需要把这个约束代入对数似然函数,将原本双参数(k、θ)的无约束拟合问题,转化为单参数(k)的带约束极大似然寻优,就能得到满足均值固定要求的最优拟合参数。
可直接运行的示例代码
对应固定均值为11的拟合场景,实现代码如下:
from scipy.stats import gamma from scipy.optimize import minimize_scalar observations = [17.6, 24.9, 3.9, 17.6, 11.8, 10.4, 4.1, 11.7, 5.7, 1.6, 8.6, 12.9, 5.7, 8.0, 7.4, 1.2, 11.3, 10.4, 1.0, 1.9, 6.0, 9.3, 13.3, 5.4, 9.1, 4.0, 12.8, 11.1, 23.1, 4.2, 7.9, 11.1, 10.0, 3.4, 27.8, 7.2, 14.9, 2.9, 5.5, 7.0, 3.9, 12.3, 10.6, 22.1, 5.0, 4.1, 21.3, 15.9, 34.5, 8.1, 19.6, 10.8, 13.4, 22.8, 27.6, 6.8, 5.9, 9.0, 7.1, 21.2, 1.0, 14.6, 16.9, 1.0, 6.5, 2.9, 7.1, 14.1, 15.2, 7.8, 9.0, 4.9, 2.1, 9.5, 5.6, 11.1, 7.7, 18.3, 3.8, 11.0, 4.2, 12.5, 8.4, 3.2, 4.0, 3.8, 2.0, 24.7, 24.6, 3.4, 4.3, 3.2, 7.6, 8.3, 14.5, 8.3, 8.4, 14.0, 1.0, 9.0] # 预设的固定均值与零位置约束 fixed_mean = 11.0 fixed_loc = 0 # 定义待最小化的目标:负的对数似然 def neg_log_likelihood(shape): scale = (fixed_mean - fixed_loc) / shape return -gamma.logpdf(observations, a=shape, loc=fixed_loc, scale=scale).sum() # 一维寻优找到最优形状参数 optimize_result = minimize_scalar( neg_log_likelihood, bounds=(1e-6, 100), method='bounded' ) optimal_shape = optimize_result.x optimal_scale = (fixed_mean - fixed_loc) / optimal_shape # 输出校验 print(f"最优形状参数: {optimal_shape:.3f}") print(f"最优尺度参数: {optimal_scale:.3f}") print(f"分布均值校验: {optimal_shape * optimal_scale + fixed_loc:.3f}")
运行上述代码的输出会严格满足shape*scale = 11.0的约束,且得到的参数是所有满足该约束的组合中,与观测数据似然匹配度最高的选项,和预期的拟合效果完全一致。
其他可选的Python统计库实现
pymc类贝叶斯建模库:可以直接将固定均值作为参数约束,把形状参数设为待估计变量,自动推导尺度参数的取值关系,通过MCMC采样得到带不确定性量化的估计结果statsmodels模块:内置带自定义约束的极大似然拟合接口,可直接将固定均值的约束写入拟合目标,不需要手动改写参数关系- 上述两种库的实现逻辑和Scipy的方法本质一致,都是通过参数约束的改写完成带固定条件的分布拟合。
内容的提问来源于stack exchange,提问作者Jacob
相关产品推荐
相关产品推荐

