【发布时间】：2021-04-10 13:06:19
【问题描述】：
下面的代码映射了Johnson-SU distribution(johnsonsu)的对应参数(a,b,loc,scale)生成的统计矩(均值、方差、偏度、超峰度) )。
对于下面我的代码中指定的循环值范围，没有参数配置会导致正偏度，只有负偏度，即使应该可以将 Johnson-SU 分布参数化为正偏度。
import numpy as np
import pandas as pd
from scipy.stats import johnsonsu
moments = ['mu','sd','sk','ku']
X = []
for a in np.arange(0.5,5,.5):
for b in np.arange(0.5,5,.5):
for c in np.arange(-0.5,0.5,.25): #loc
for d in [1]: #scale
mvsk = johnsonsu.stats(a,b,c,d,moments='mvsk')
mvsk = [mvsk[i].tolist() for i in range(len(mvsk))]
X.append([a,b,c,d]+mvsk)
X = pd.DataFrame(np.asarray(X), columns=['a','b','c','d']+moments)
for m in moments:
print(m, X[[m]].min().round(3).values[0], X[[m]].max().round(3).values[0])
打印的最小和最大时刻是：
mu -29937.57 0.136
sd 0.053 48036174150.987
sk -414.36 -0.078
ku 0.221 41173.869
对于a、b、loc 和scale 参数，还有什么比我在下面指定的更好的范围来探索？ documentation 只说a 和b 必须是肯定的，没有关于loc 和scale 必须限制的内容。
【问题讨论】：
-
问题的本质似乎是统计的而不是编程相关的，所以我认为应该移到 Cross Validated SE。关于问题本身，我想您可以通过在生成的值前面加上减号来获得相反的偏度。但是，这并不能说明
a和b对应的参数是什么。但也许你可以对它们进行逆向工程？ -
Johnson SU 分布应该产生正偏度，因此这是一个编程问题，因为没有人将参数映射到相应的时刻。
johnsonsu函数是进行此映射的唯一方法，关于现有 Cross val 帖子中尚未讨论（没有解决方案）的统计理论没有什么可讨论的 -
您问的是什么参数组合会产生正偏度，而不是如何实现（您已经实现了）。因此，统计问题显然存在。但是，如果确实存在编程问题，那么编程问题是什么？您能否提供指向您引用的交叉验证帖子的链接？
-
什么参数组合产生正偏度？
标签： python statistics skew probability-distribution scipy.stats