Podczas analizy sieci społecznej natknąłem się na problem dopasowania rozkładu prawdopodobieństwa na poziomie sieci.Oszacować wykładniczy limit w dystrybucji prawa mocy
Tak więc, mam rozkład prawdopodobieństwa P(X >= x)
, który po kontroli wizualnej jest zgodny z prawem mocy z wykładniczym odcięciem, a nie czystym prawem mocy (linia prosta).
Tak więc, biorąc pod uwagę, że równanie prawa podziału mocy z wykładniczej cut-off to:
F (x) = a ** * exp (P * x)
Jak mogę oszacować parametry alpha
i beta
używając Pythona?
Wiem, że pakiet scipy.stats.powerlaw istnieje i ma funkcję .fit()
, ale to nie działa, ponieważ zwraca tylko lokalizację i skalę wykresu, co wydaje się przydatne tylko w przypadku normalnej dystrybucji ? Nie ma również wystarczającej liczby samouczków na temat tego pakietu.
P.S. Jestem świadomy implementacji CLauset et al, ale wydaje się, że nie zapewniają one sposobów oszacowania parametrów alternatywnych dystrybucji.
Papier Clauset jest * najlepszym odnośnikiem do praktycznego dopasowania funkcji power law. Jeśli naprawdę uważasz, że masz problem, który nie jest rozwiązany, rozważ wysłanie e-maila do autorów: –
Nie jestem statystykiem, więc nie jestem pewien, czy całkowicie rozumiem cały artykuł. Myślę, że kod Ginsberga jest świetny i bardzo pomocny. Chcę tylko wiedzieć, czy istnieją narzędzia, które pomogą w oszacowaniu parametrów innych rozkładów prawdopodobieństwa. – Mike
http://en.wikipedia.org/wiki/Power_law Gdzie jest linia prosta, o której mówisz? –