- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
一个家庭作业问题要求我计算平均值的置信区间。当我使用传统方法和 numpy.percentile() 进行操作时,我得到了不同的答案。
我认为我可能误解了如何或何时使用 np.percentile()。我的两个问题是:1.我是否使用错误——输入错误等?2.我是否在错误的地方使用它 - 应该用于引导 CI 而不是传统方法?
我通过传统公式和np.percentile()计算了CI
price = np.random.normal(11427, 5845, 30)
# u = mean of orginal vector
# s = std of original vector
print(price)
[14209.99205723 7793.06283131 10403.87407888 10910.59681669 14427.87437741 4426.8122023 13890.22030853 5652.39284669 22436.9686157 9591.28194843 15543.24262609 11951.15170839 16242.64433138 3673.40741792 18962.90840397 11320.92073514 12984.61905211 8716.97883291 15539.80873528 19324.24734807 12507.9268783 11226.36772026 8869.27092532 9117.52393498 11786.21064418 11273.61893921 17093.20022578 10163.75037277 13962.10004709 17094.70579814]
x_bar = np.mean(price) # mean of vector
s = np.std(price) # std of vector
n = len(price) # number of obs
z = 1.96 # for a 95% CI
lower = x_bar - (z * (s/math.sqrt(n)))
upper = x_bar + (z * (s/math.sqrt(n)))
med = np.median(price)
print(lower, med, upper)
10838.458908888499 11868.68117628698 13901.386475143861
np.percentile(price, [2.5, 50, 97.5])
[4219.6258866 11868.68117629 20180.24569667]
ss.scoreatpercentile(price, [2.5, 50, 97.5])
[4219.6258866 11868.68117629 20180.24569667]
我希望 lower、med 和 upper 等于 np.percentile() 的输出。
虽然中值相同,但上限和下限相差很大。
此外,scipy.stats.percentile 提供与 numpy.percentile 相同的输出。
有什么想法吗?
谢谢!
编辑以显示价格向量。
最佳答案
置信区间和百分位数不是同一回事。两者的公式有很大不同
您拥有的样本数量将影响您的置信区间,但不会(太大)改变百分位数。
例如
price = np.random.normal(0, 1, 10000)
print (np.percentile(price, [2.5, 50, 97.5])
给出
[-1.97681778 0.01808908 1.93659551]
和
price = np.random.normal(0, 1, 100000000)
print (np.percentile(price, [2.5, 50, 97.5]))
给出了几乎相同的结果:
[-1.96012643 9.82108813e-05 1.96030460]
但是运行 CI 计算代码时,如果大量增加样本数量,您的置信区间将会缩小 - 因为您现在有 95% 的信心认为分布的平均值位于较小的范围内。
使用相同的 2 个价格数组(均值 = 0,标准差 = 1)以及 10 个样本和 10,000 个样本,您的结果为:
-0.5051688819759096 0.17504324224822834 0.744716862363091 # 10 samples
-0.02645090158517636 -0.006759616493022626 0.012353106820212557 # 10000 samples
如您所见,样本越多,CI 就越小(正如您所期望的,考虑到 CI 的公式!)
关于python - 如何在 Python 中使用 numpy.percentile() 计算置信区间,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55857722/
我是一名优秀的程序员,十分优秀!