估计置信区间(CI)的最简单方法是将标准误差(标准偏差)乘以常数 . 要计算常数,您需要知道要计算CI的自由度数(DOF)和置信度 . 以这种方式估计的CI有时被称为渐近CI . 您可以在Motulsky&Christopoulos(google books)的"Fitting models to biological data using linear and nonlinear regression"中阅读更多相关信息 . 同一本书(或非常相似)可免费获得as a manual for author's software .
3 回答
我会使用bootstrapping方法 .
看这里:http://phe.rockefeller.edu/LogletLab/whitepaper/node17.html
嘈杂高斯的简单例子:
我不确定你的置信区间是什么意思 .
通常,
leastsq
确实没有给出置信区间 . 然而,它确实返回了对Hessian的估计,换句话说,它将二阶导数推广到多维问题 .正如在函数的文档字符串中暗示的那样,您可以将该信息与残差(拟合解与实际数据之间的差异)一起使用来计算参数估计的协方差,这是对置信区间的局部猜测 .
请注意,它只是一个本地信息,我怀疑只有当你的目标函数是严格凸的时候才能严格地说出结论 . 我没有关于该声明的任何证据或参考:) .
估计置信区间(CI)的最简单方法是将标准误差(标准偏差)乘以常数 . 要计算常数,您需要知道要计算CI的自由度数(DOF)和置信度 . 以这种方式估计的CI有时被称为渐近CI . 您可以在Motulsky&Christopoulos(google books)的"Fitting models to biological data using linear and nonlinear regression"中阅读更多相关信息 . 同一本书(或非常相似)可免费获得as a manual for author's software .
您也可以阅读how to calculate CI using the C++ Boost.Math library . 在该示例中,针对一个变量的分布计算CI . 在最小二乘拟合的情况下,DOF不是N-1,而是N-M,其中M是参数的数量 . 在Python中应该很容易做到这一点 .
这是最简单的估计 . 我不知道zephyr提出的bootstrapping方法,但它可能比我写的方法更可靠 .