是否有用于计算二项式置信区间的python函数/库？

Question

我需要计算python脚本中大量数据的二项式置信区间.你知道python的任何函数或库可以做到这一点吗？

理想情况下,我希望在python上实现这样的功能http://statpages.org/confint.html.

谢谢你的时间.

Answer 1

只是注意到因为它没有在这里发布,所以statsmodels.stats.proportion.proportion_confint可以通过各种方法获得二项式置信区间.但它只做对称间隔.

Answer 2

如果你有选择的话,我会说R(或其他统计数据包)可能会更好地为你服务.也就是说,如果您只需要二项式置信区间,则可能不需要整个库.这是我最简单的javascript翻译功能.

def binP(N, p, x1, x2):
    p = float(p)
    q = p/(1-p)
    k = 0.0
    v = 1.0
    s = 0.0
    tot = 0.0

    while(k<=N):
            tot += v
            if(k >= x1 and k <= x2):
                    s += v
            if(tot > 10**30):
                    s = s/10**30
                    tot = tot/10**30
                    v = v/10**30
            k += 1
            v = v*q*(N+1-k)/k
    return s/tot

def calcBin(vx, vN, vCL = 95):
    '''
    Calculate the exact confidence interval for a binomial proportion

    Usage:
    >>> calcBin(13,100)    
    (0.07107391357421874, 0.21204372406005856)
    >>> calcBin(4,7)   
    (0.18405151367187494, 0.9010086059570312)
    ''' 
    vx = float(vx)
    vN = float(vN)
    #Set the confidence bounds
    vTU = (100 - float(vCL))/2
    vTL = vTU

    vP = vx/vN
    if(vx==0):
            dl = 0.0
    else:
            v = vP/2
            vsL = 0
            vsH = vP
            p = vTL/100

            while((vsH-vsL) > 10**-5):
                    if(binP(vN, v, vx, vN) > p):
                            vsH = v
                            v = (vsL+v)/2
                    else:
                            vsL = v
                            v = (v+vsH)/2
            dl = v

    if(vx==vN):
            ul = 1.0
    else:
            v = (1+vP)/2
            vsL =vP
            vsH = 1
            p = vTU/100
            while((vsH-vsL) > 10**-5):
                    if(binP(vN, v, 0, vx) < p):
                            vsH = v
                            v = (vsL+v)/2
                    else:
                            vsL = v
                            v = (v+vsH)/2
            ul = v
    return (dl, ul)

Answer 3

我不是统计学专家，但binomtest内置于 SciPy 中并产生与接受的答案相同的结果：

from scipy.stats import binomtest

binomtest(13, 100).proportion_ci()
Out[11]: ConfidenceInterval(low=0.07107304618545972, high=0.21204067708744978)

binomtest(4, 7).proportion_ci()
Out[25]: ConfidenceInterval(low=0.18405156764007, high=0.9010117215575631)

它默认使用Clopper-Pearson 精确方法，该方法与Curt 接受的答案相匹配，该答案给出了这些值，以进行比较：

    Usage:
    >>> calcBin(13,100)    
    (0.07107391357421874, 0.21204372406005856)
    >>> calcBin(4,7)   
    (0.18405151367187494, 0.9010086059570312)

它还具有Wilson 方法的选项，带或不带连续性校正，这与TheBamf 的天体答案相匹配：

binomtest(4, 7).proportion_ci(method='wilson')
Out[32]: ConfidenceInterval(low=0.2504583645276572, high=0.8417801447485302)

binom_conf_interval(4, 7, 0.95, interval='wilson')
Out[33]: array([0.25045836, 0.84178014])

根据cxrodgers 的评论，这也匹配 Rbinom.test和：statsmodels.stats.proportion.proportion_confint

对于 60 次试验中的 30 次成功，R 的 binom.test 和 statsmodels.stats.proportion.proportion_confint 使用 Klopper-Pearson 给出 (.37, .63)。

binomtest(30, 60).proportion_ci(method='exact')
Out[34]: ConfidenceInterval(low=0.3680620319424367, high=0.6319379680575633)