计算一个样本中某一比例的置信区间
Sha*_*obe 5 python statistics confidence-interval
当样本量很小甚至样本量为 1 时，计算某个比例的置信区间 (CI) 的更好方法是什么？
\n\n我目前正在计算一个样本中比例的 CI：\n
然而，我的样本量非常小，有时甚至是 1。我还尝试了 \n小总体中比例 p 的近似 (1\xe2\x88\x92\xce\xb1)100% 置信区间，使用：\n
具体来说，我正在尝试实现这两个公式来计算比例的 CI。如下图所示，在 2018 年第一季度，蓝色组周围没有 CI，因为在 2018 年第一季度有十分之一的人选择该项目。如果使用有限总体校正 (FPC)，则当 N 为 1 时，它不会校正 CI。\n所以，我的问题是，以 100% 比例解决这个小样本量问题的最佳统计方法是什么。
\n\n
- \n
- 如果能提供一个python的包来计算就太好了？谢谢！ \n
尝试\nstatsmodels.stats.proportion.proportion_confint
\n\nhttp://www.statsmodels.org/devel/ generated/statsmodels.stats.proportion.proportion_confint.html
\n\n根据他们的文档，您可以像这样使用它：
\n\nci_low, ci_upp = proportion_confint(count, nobs, alpha=0.05, method=\'normal\')\n其中参数是：
\n\n- \n
- count (int 或 array_array_like) \xe2\x80\x93 成功次数，可以是 pandas Series 或 DataFrame \n
- nobs (int) \xe2\x80\x93 试验总数 \n
- alpha (float in (0, 1)) \xe2\x80\x93 显着性水平，默认 0.05 \n
method (string in [\'normal\']) \xe2\x80\x93 用于置信区间的方法，当前可用的方法：
\n\n- \n
- 正态：渐近正态近似 \n
- agresti_coull : Agresti-Coull 区间 \n
- beta ：基于 Beta 分布的 Clopper-Pearson 区间 \n
- Wilson : 威尔逊评分区间 \n
- jeffreys ：杰弗里斯贝叶斯区间 \n
- binom_test ：实验性的，binom_test 的反转 \n
\n
- 感谢您推荐用于计算 CI 的 python 包。Brown, LD, Cat, TT 和 DasGupta, A (2001)。比例的区间估计。统计科学 16:101-133 建议对于较小的 n 使用 Wilson 或 Jeffreys 方法，对于较大的 n 使用 Agresti-Coull、Wilson 或 Jeffreys 方法。 (2认同)