p、成功の確率、二項分布が形状パラメーターα>およびβ> 0のベータ分布を持っている場合、分布はベータ二項です。。形状パラメータは、成功の確率を定義します。ベータ二項分布の観点から私のデータを最もよく表すαおよびβの値を見つけたいと思います。私のデータセットplayers
は、ヒット数([〜#〜] h [〜#〜])、打席数([〜 #〜] ab [〜#〜])と多くの野球選手の変換(H/AB)。 Pythonのベータ二項関数 のJulienDの答えの助けを借りてPDFを推定します
from scipy.special import beta
from scipy.misc import comb
pdf = comb(n, k) * beta(k + a, n - k + b) / beta(a, b)
次に、最小化する対数尤度関数を記述します。
def loglike_betabinom(params, *args):
"""
Negative log likelihood function for betabinomial distribution
:param params: list for parameters to be fitted.
:param args: 2-element array containing the sample data.
:return: negative log-likelihood to be minimized.
"""
a, b = params[0], params[1]
k = args[0] # the conversion rate
n = args[1] # the number of at-bats (AE)
pdf = comb(n, k) * beta(k + a, n - k + b) / beta(a, b)
return -1 * np.log(pdf).sum()
ここで、最小化する関数を記述したいと思いますloglike_betabinom
from scipy.optimize import minimize
init_params = [1, 10]
res = minimize(loglike_betabinom, x0=init_params,
args=(players['H'] / players['AB'], players['AB']),
bounds=bounds,
method='L-BFGS-B',
options={'disp': True, 'maxiter': 250})
print(res.x)
結果は[-6.045441382.03984464]です。これは、αが負であることを意味しますが、これは不可能です。次のRスニペットに基づいてスクリプトを作成しました。彼らは[101.359、287.318]を取得します。
ll <- function(alpha, beta) {
x <- career_filtered$H
total <- career_filtered$AB
-sum(VGAM::dbetabinom.ab(x, total, alpha, beta, log=True))
}
m <- mle(ll, start = list(alpha = 1, beta = 10),
method = "L-BFGS-B", lower = c(0.0001, 0.1))
ab <- coef(m)
誰かが私が間違っていることを教えてもらえますか?助けていただければ幸いです!!
注意すべき点の1つは、対数尤度のcomb(n, k)
が、データセットのn
とk
の値に対して数値的に適切に動作しない可能性があることです。これを確認するには、データにcomb
を適用し、inf
sが表示されるかどうかを確認します。
物事を修正する1つの方法は、 https://stackoverflow.com/a/32355701/424041 で提案されているように、つまり、ガンマ関数の対数の関数として、負の対数尤度を書き直すことです。
from scipy.special import gammaln
import numpy as np
def loglike_betabinom(params, *args):
a, b = params[0], params[1]
k = args[0] # the OVERALL conversions
n = args[1] # the number of at-bats (AE)
logpdf = gammaln(n+1) + gammaln(k+a) + gammaln(n-k+b) + gammaln(a+b) - \
(gammaln(k+1) + gammaln(n-k+1) + gammaln(a) + gammaln(b) + gammaln(n+a+b))
return -np.sum(logpdf)
次に、次の方法で対数尤度を最小化できます。
from scipy.optimize import minimize
init_params = [1, 10]
# note that I am putting 'H' in the args
res = minimize(loglike_betabinom, x0=init_params,
args=(players['H'], players['AB']),
method='L-BFGS-B', options={'disp': True, 'maxiter': 250})
print(res)
そしてそれは合理的な結果を与えるはずです。
コードをさらに作り直したい場合は、 Pythonでベータ分布を適切に適合させる方法は? インスピレーションを確認できます。