我正在使用beta.fit（W）进行beta分发。 W的值未达到[0,1]边界。我的问题如下 - 我是否需要通过beta.fit强制[0,1]界限（W，loc = min（W），scale = max（W） - min（W）），或者我可以假设为只要数据在[0,1]范围内，拟合“就没事了”？显然，缩放数据应该给出不同的a和b值。哪一个是“正确的”？
这个问题与以下内容有关： https://stats.stackexchange.com/questions/68983/beta-distribution-fitting-in-scipy
不幸的是，当数据在预期范围内时，没有有效的答案是...
我试图使用a和b的已知值生成数据，但这两种技术都不合适，尽管缩放看起来有点帮助。
由于
答案 0 :(得分：1)
如果未传递floc和fscale参数，fit会尝试估算它们。如果您知道数据在特定的时间间隔内，您应该使拟合函数知道其他信息（通过自己设置参数）以改善拟合。您还可以对α，β和比例参数进行初步猜测（通过loc和scale关键字参数）;不过，SciPy的默认猜测功能似乎相当复杂。
从样本集is not a good idea的限制中导出floc和fscale，因为对于大多数α和β值，β分布在区间边界处为零，这意味着您是在数据和所有可能的拟合之间产生很大的差异。