标签：似然 语言 GPD 我们 xih 估计 Delta 极值
原文链接：http://tecdat.cn/?p=22566
原文出处：拓端数据部落公众号
本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。
在参数模型的背景下，标准技术是考虑似然的最大值（或对数似然）。考虑到一些技术性假设，如 
，
的某个邻域，那么
其中
表示费雪信息矩阵。在此考虑一些样本，来自广义帕累托分布，参数为
，因此
如果我们解决极大似然的一阶条件，我们得到一个满足以下条件的估计
这种渐进正态性的概念如下：如果样本的真实分布是一个具有参数
的GPD，那么，如果n足够大，就会有一个联合正态分布
。因此，如果我们产生大量的样本（足够大，例如200个观测值），那么估计的散点图应该与高斯分布的散点图相同。
- > for(s in 1:1000){
- + param[s,]=gpd(x,0)$par.ests
- > image(x,y,z)
得到一个3D的表示
- > persp(x,y,t(z)
- + xlab="xi",ylab="sigma")
 |
 |
有了200个观测值，如果真正的基础分布是GPD，那么，联合分布
是正态的。
另一个重要的属性是德尔塔法。这个想法是，如果是渐进正态，足够平滑，那么也是渐进高斯的。
从这个属性中，我们可以得到
（这是极值模型中使用的另一个参数化）的正态性，或者在任何四分位数
上 。我们运行一些模拟，再一次检查联合正态性。
- > for(s in 1:1000)
- + gpd(x,0)$par.ests
- + q=sha * (.01^(-xih) - 1)/xih
- + tvar=q+(sha + xih * q)/(1 - xih)
- dmnorm(cbind(vx,vy),m,S)
- > image(x,y,t(z)
正如我们所看到的，在样本大小为200的情况下，我们不能使用这个渐进式的结果：看起来我们没有足够的数据。但是，如果我们在n=5000运行同样的代码，
- > n=5000
 |
我们得到
和
的联合正态性。这就是我们可以从这个结果中得到的delta-方法。
另一个有趣的方法是Profile 似然函数的概念。因为尾部指数
，
在这里是辅助参数。
这可以用来推导出置信区间。在GPD的情况下，对于每个
，我们必须找到一个最优的 。我们计算Profile 似然函数，即
。而我们可以计算出这个轮廓似然的最大值。一般来说，这个两阶段的优化与（全局）最大似然是不等价的，计算结果如下
- + profilelikelihood=function(beta){
- + -loglik(XI,beta) }
- + L[i]=-optim(par=1,fn=profilelik)$value }
如果我们想计算轮廓似然的最大值（而不是像以前那样只计算网格上的轮廓似然的值），我们使用
- + profile=function(beta){
- + -loglikelihood(XI,beta) }
- (OPT=optimize(f=PL,interval=c(0,3)))
我们得到结果和最大似然估计的
相似。我们可以用这种方法来计算置信区间，在图表上将其可视化
- > line(h=-up-qchisq(p=.95,df=1)
- > I=which(L>=-up-qchisq(p=.95,df=1))
- > lines(XIV[I]
竖线是参数
95%置信区间的下限和上限。
最受欢迎的见解
3.R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析
4.R语言回归中的hosmer-lemeshow拟合优度检验
5.matlab实现MCMC的马尔可夫切换ARMA – GARCH模型估计
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
标签：似然,语言,GPD,我们,xih,估计,Delta,极值 来源： https://www.cnblogs.com/tecdat/p/14847615.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。