从 lmfit 的倾斜类型模型（如 (SkewedVoigtModel())）的文档中，我不清楚从拟合返回的倾斜参数是绝对还是相对。从这个意义上说，我的意思是，如果我有几个数据集都具有相似的基础 Voigt 分布，但都具有不同的偏斜值，并且我将每个数据集独立地拟合到 model = SkewedVoigtModel() ，我可以比较这些拟合之间的偏斜值来告诉我知道这些数据集是如何变化的？
从维基百科关于偏斜正态分布的文章（https://en.wikipedia.org/wiki/Skew_normal_distribution）来看，似乎并不完全应该使用偏斜值来进行推断，也许我在统计学方面的薄弱背景是很难理解作为参考的文章https://doi.org/10.1080/02664760050120542.
（如果您好奇，在我的具体情况下，数据集是单一气体条件下激光诱导荧光的光谱，这些光谱来自将荧光弦分装到几个小箱中，我希望能够测试是否我的激光束点随着波长及其漂移程度而发生空间漂移。）
我绘制了偏斜与 bin 数据集的关系图，在许多情况下，它显示了整个数据集偏斜的线性趋势（表明我的荧光弦在 ccd 上移动）。然而，并非所有给定气体条件下的数据集偏斜图都显示出相同的线性趋势，有些相邻箱之间的偏斜变化不稳定。
综上所述，我猜偏差是绝对的，但我想与那些对 lmfit 更有经验的人仔细检查。
谢谢！
SkewedVoigtModel 的数学形式记录于 https://lmfit.github.io/lmfit-py/builtin_models.html#skewedvoigtmodel 所使用函数的代码位于 https://github.com/lmfit/lmfit-py/blob/468873a081bf4bcde90ab3a92e91a4119e07a913/lmfit/lineshapes.py#L332
两者都表示非倾斜线形（此处为常规 Voigt 函数）乘以
(1 + erf(skew * (x-center) / sigma))
（我认为每个术语的含义对于任何提出问题的人来说都应该非常明显）。
对于那种形式，我不知道“相对”或“绝对”对你来说意味着什么。如果我被迫选择这些词之一，我可能会猜测“相对”，因为中心从 x 中移除，并且偏斜值除以 sigma 以给出 erfc 函数打开的 x 范围。
我不知道为什么这个值不应该用来进行推断。我认为人们应该能够对具有有限（或者可能“不是巨大”）不确定性的任何变量参数得出结论。也许我没有理解这一点。