标签：语言 函数 生存 希尔 参数估计 可视化 HILL 极值 估计量
原文链接：http://tecdat.cn/?p=26277
原文出处：拓端数据部落公众号
极值理论对样本尾部分布的极值指数的估计方法主要有两类：半参数方法和全 参数方法，前者主要是基于分布尾部的 Hill 估计量，后者则主要基于广义帕累托分布。
尾部指数的希尔HILL统计量估计。更具体地说，我们看到如果 
， 和 
，然后希尔HILL估计为 
。 然后 
在某种意义上满足某种一致性 
,如果 
，即 
（在收敛速度的附加假设下， 
）。此外，在附加的技术条件下
为了说明这一点，请考虑以下代码。首先，让我们考虑一个帕累托生存函数，以及相关的分位数函数
- > Q=fuction(p){unro(funion(x) S(x)-(1-p),loer=1,per=1e+9)$root}
我们将考虑更复杂的生存函数。这是生存函数和分位数函数，
- > plot(u,Veie(Q)(u),type="l")
 |
在这里，我们需要 分位数函数从这个分布中生成一个随机样本，
- > X=Vectorize(Q)(runif(n))
hill统计量在这里
- > abline(h=alpha)
-
我们现在可以生成数千个随机样本，并查看这些估计器（对于某些特定的 
的）。
- > for(s in 1:ns){
- + X=Vectorize
- + H=hill
- + hilk=function(k)
- + HilK[s,]=Vectorize
- + }
如果我们计算平均值，
> plot(15*(1:10),apply(2,mean)
我们得到了一系列可以被认为是无偏的估计量。
现在，回想一下，处于 Fréchet 分布并不意味着 
， 和 
, 但意味着
对于一些缓慢变化的函数 
，不一定恒定！为了了解可能发生的情况，我们必须稍微具体一些。这只能通过查看生存函数的性质。假设，这里有一些辅助函数 
这个（正）常数 
以某种方式与生存函数与幂函数之比的收敛速度有关。
更具体地说，假设
然后，使用获得二阶正则变化性质 
，然后，如果 
趋向于无穷大太快，那么估计就会有偏差。 如果 
，那么，对于一些 
,
这个结果的直观解释是，如果 
太大，并且如果基础分布不完全 是帕累托分布，那么希尔估计量是有偏的。这就是我们所说的意思
- 如果
太大， 
是有偏估计量 - 如果
太小， 
是一个不稳定的估计量
（后者来自样本均值的属性：观察越多，均值的波动性越小）。
让我们运行一些模拟以更好地了解正在发生的事情。使用前面的代码，生成具有生存函数的随机样本实际上是极其简单的
- > Q=function(p){uniroot(function(x) S(x)-(1-p)}
如果我们使用上面的代码。
希尔hill变成
-
- > abline(h=alpha)
-
但它仅基于一个样本。再次考虑数千个样本，让我们看看 Hill 统计量如何，
所以这些估计量的（经验）平均值是
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：语言,函数,生存,希尔,参数估计,可视化,HILL,极值,估计量 来源： https://www.cnblogs.com/tecdat/p/16275030.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。