theilslopes#
- scipy.stats.theilslopes(y, x=None, alpha=0.95, method='separate', *, axis=None, nan_policy='propagate', keepdims=False)[source]#
计算一组点 (x, y) 的 Theil-Sen 估计量。
theilslopes
实现了一种稳健线性回归方法。 它计算成对值之间所有斜率的中值作为斜率。- 参数:
- yarray_like
因变量。
- xarray_like 或 None,可选
自变量。 如果为 None,则使用
arange(len(y))
代替。- alphafloat,可选
介于 0 和 1 之间的置信度。 默认值为 95% 置信度。 请注意,
alpha
围绕 0.5 对称,即 0.1 和 0.9 都被解释为“找到 90% 的置信区间”。- method{‘joint’, ‘separate’}, optional
用于计算截距估计的方法。 支持以下方法,
‘joint’: 使用 np.median(y - slope * x) 作为截距。
- ‘separate’: 使用 np.median(y) - slope * np.median(x)
作为截距。
默认为 ‘separate’。
1.8.0 版本中新增。
- axisint 或 None,默认值:None
如果是一个整数,则为沿着计算统计量的输入的轴。输入的每个轴切片(例如,行)的统计量将出现在输出的相应元素中。如果
None
,则在计算统计量之前将输入展平。- nan_policy{‘propagate’, ‘omit’, ‘raise’}
定义如何处理输入 NaN。
propagate
: 如果在计算统计量的轴切片(例如,行)中存在 NaN,则输出的相应条目将为 NaN。omit
: 执行计算时将忽略 NaN。如果在计算统计量的轴切片中剩余的数据不足,则输出的相应条目将为 NaN。raise
: 如果存在 NaN,则会引发ValueError
。
- keepdimsbool,默认值:False
如果设置为 True,则被缩减的轴将保留在结果中,作为大小为 1 的维度。使用此选项,结果将正确地广播到输入数组上。
- 返回:
- result
TheilslopesResult
实例 返回值是一个具有以下属性的对象
- slopefloat
Theil 斜率。
- interceptfloat
Theil 线的截距。
- low_slopefloat
slope 的置信区间的下限。
- high_slopefloat
slope 的置信区间的上限。
- result
参见
siegelslopes
一种使用重复中值的类似技术
注释
theilslopes
的实现遵循 [1]。 截距未在 [1] 中定义,此处将其定义为median(y) - slope*median(x)
,这在 [3] 中给出。 文献中存在截距的其他定义,例如median(y - slope*x)
在 [4] 中。 可以通过参数method
来确定计算截距的方法。 不提供截距的置信区间,因为 [1] 中未解决此问题。为了与 SciPy 的旧版本兼容,返回值的作用类似于长度为 4 的
namedtuple
,其字段为slope
、intercept
、low_slope
和high_slope
,因此可以继续编写slope, intercept, low_slope, high_slope = theilslopes(y, x)
从 SciPy 1.9 开始,
np.matrix
输入(不建议用于新代码)在执行计算之前会转换为np.ndarray
。 在这种情况下,输出将是一个标量或适当形状的np.ndarray
,而不是一个 2Dnp.matrix
。 同样,虽然会忽略屏蔽数组的屏蔽元素,但输出将是一个标量或np.ndarray
,而不是一个mask=False
的屏蔽数组。参考文献
[1] (1,2,3)P.K. Sen, “Estimates of the regression coefficient based on Kendall’s tau”, J. Am. Stat. Assoc., Vol. 63, pp. 1379-1389, 1968.
[2]H. Theil, “A rank-invariant method of linear and polynomial regression analysis I, II and III”, Nederl. Akad. Wetensch., Proc. 53:, pp. 386-392, pp. 521-525, pp. 1397-1412, 1950.
[3]W.L. Conover, “Practical nonparametric statistics”, 2nd ed., John Wiley and Sons, New York, pp. 493.
示例
>>> import numpy as np >>> from scipy import stats >>> import matplotlib.pyplot as plt
>>> x = np.linspace(-5, 5, num=150) >>> y = x + np.random.normal(size=x.size) >>> y[11:15] += 10 # add outliers >>> y[-5:] -= 7
计算斜率、截距和 90% 的置信区间。 为了进行比较,还可以使用
linregress
计算最小二乘拟合>>> res = stats.theilslopes(y, x, 0.90, method='separate') >>> lsq_res = stats.linregress(x, y)
绘制结果。 Theil-Sen 回归线以红色显示,虚线红色线说明了斜率的置信区间(请注意,虚线红色线不是回归的置信区间,因为不包括截距的置信区间)。 绿线显示最小二乘拟合以进行比较。
>>> fig = plt.figure() >>> ax = fig.add_subplot(111) >>> ax.plot(x, y, 'b.') >>> ax.plot(x, res[1] + res[0] * x, 'r-') >>> ax.plot(x, res[1] + res[2] * x, 'r--') >>> ax.plot(x, res[1] + res[3] * x, 'r--') >>> ax.plot(x, lsq_res[1] + lsq_res[0] * x, 'g-') >>> plt.show()