如何使用statsmodels进行数据拟合

Question

我有一个数据集，需要把它拟合到一个叫做GEV分布的模型上。这个数据是一维的，存储在一个numpy数组里。目前，我在用scipy.stats.genextreme.fit(data)这个方法，虽然能用，但结果完全不准确（通过绘制概率密度函数可以明显看出来）。经过一些调查，我发现我的数据在对数空间下拟合得不好，而scipy在它的最大似然估计（MLE）算法中使用了对数空间，所以我需要尝试像GMM这样的其他方法，而这个方法只能在statsmodels中找到。问题是，我找不到类似于scipy的fit函数的东西。我找到的所有例子似乎都处理比我更复杂的数据。此外，statsmodels在使用时需要endog和exog这两个参数，但我对它们完全没有头绪。

这应该很简单，所以我肯定是漏掉了什么明显的东西。有没有人用过statsmodels这样的方法，如果有的话，能给我一些指引吗？

Answer 1

我猜你想要的是高斯混合模型（GMM），而不是广义矩估计（GMM）。前者的高斯混合模型在scikit-learn中可以找到，点击这里查看。后者的代码在statsmodels里，但还在不断完善中。

编辑 其实我不太确定你是不是想要GMM。也许你只是想要一个核密度估计器（KDE）。这个在statsmodels中可以找到，点击这里查看，还有一个示例。

嗯，如果你确实想用(广义) 矩估计法来拟合某种概率加权的GEV，那么你需要指定矩条件，但我手头没有关于如何在statsmodels中指定矩条件的(G)MM的现成示例。你可能更适合在邮件列表上询问。