Ajuste de una distribución de Pareto con (python) Scipy

Tengo un conjunto de datos que sé que tiene una distribución de Pareto. ¿Puede alguien indicarme cómo ajustar este conjunto de datos en Scipy? Tengo el siguiente código para ejecutar, pero no tengo idea de lo que me están devolviendo (a, b, c). Además, después de obtener a, b, c, ¿cómo calculo la varianza al usarlos?

import scipy.stats as ss import scipy as sp a,b,c=ss.pareto.fit(data) 

Aquí hay una versión escrita rápidamente, tomando algunos consejos de la página de referencia que Rupert dio. Este trabajo está actualmente en progreso en modelos Scipy y stats y requiere MLE con algunos parámetros fijos o congelados, que solo está disponible en las versiones de troncales. Aún no hay errores estándar en las estimaciones de parámetros u otras estadísticas de resultados disponibles.

 '''estimating pareto with 3 parameters (shape, loc, scale) with nested minimization, MLE inside minimizing Kolmogorov-Smirnov statistic running some examples looks good Author: josef-pktd ''' import numpy as np from scipy import stats, optimize #the following adds my frozen fit method to the distributions #scipy trunk also has a fit method with some parameters fixed. import scikits.statsmodels.sandbox.stats.distributions_patch true = (0.5, 10, 1.) # try different values shape, loc, scale = true rvs = stats.pareto.rvs(shape, loc=loc, scale=scale, size=1000) rvsmin = rvs.min() #for starting value to fmin def pareto_ks(loc, rvs): est = stats.pareto.fit_fr(rvs, 1., frozen=[np.nan, loc, np.nan]) args = (est[0], loc, est[1]) return stats.kstest(rvs,'pareto',args)[0] locest = optimize.fmin(pareto_ks, rvsmin*0.7, (rvs,)) est = stats.pareto.fit_fr(rvs, 1., frozen=[np.nan, locest, np.nan]) args = (est[0], locest[0], est[1]) print 'estimate' print args print 'kstest' print stats.kstest(rvs,'pareto',args) print 'estimation error', args - np.array(true) 

¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¿ Muchas leyes de poder informadas en realidad están mal ajustadas por una ley de poder. Ver Clauset et al. para todos los detalles (también en arxiv si no tiene acceso a la revista). Tienen un sitio web complementario al artículo que ahora enlaza con una implementación de Python. No sé si usa Scipy porque usé su implementación R cuando la usé por última vez.