Bağlam dışı kısa versiyon
, CDF ile rastgele bir değişken olsun
Diyelim ki ters CDF yöntemini kullanarak çizimlerini simüle etmek istedim . Mümkün mü? Bu fonksiyonun tam tersi yoktur. Daha sonra , iki normal dağılımın karışım dağılımı için ters dönüşüm örneklemesi var, bu da burada ters dönüşüm örneklemesini uygulamanın bilinen bir yolu olduğunu gösteriyor.
İki adımlı yöntemin farkındayım, ancak bunu durumuma nasıl uygulayacağımı bilmiyorum (aşağıya bakın).
Arka plana sahip uzun versiyon
Bir MCMC (özellikle Stan) kullanarak , vektör değerli bir yanıt için aşağıdaki modeli , :
burada gözlemini indeksler , bir korelasyon matrisidir ve bir prediktör / regresör / özellik vektörüdür.
Yani, modelim, yanıtın koşullu dağılımının sıfır şişirilmiş log-normal marjinalleri olan bir Gauss kopula olduğu varsayıldığı bir regresyon modelidir. Bu model hakkında daha önce yayınladım; Song, Li ve Yuan'ın (2009, kapılı ) geliştirdiği ve buna bir vektör GLM veya VGLM dediği ortaya çıktı. Aşağıdakiler, alabildiğim kadar kelimesi kelimesine yakındır: My
Sıfır şişirilmiş kısım kabaca Liu ve Chan şartnamesini izler (2010, söylenmemiş ).
Şimdi tahmin edilen parametrelerden veri simülasyonu yapmak istiyorum, ancak bunun nasıl yapılacağı konusunda biraz kafam karıştı. İlk önce sadece doğrudan simüle (R kodu) düşündüm :
for (i in 1:N) {
for (k in 1:K) {
Y_hat <- rbinom(1, 1, 1 - theta[i, k])
if (Y_hat == 1)
Y_hat <- rlnorm(1, mu[i, k], sigma[k])
}
}
ki bu hiç kullanmıyor . Tahmin ettiğim korelasyon matrisini gerçekten kullanmaya çalışmak istiyorum.
Bir sonraki fikrim çizimlerini alıp tekrar dönüştürmekti . Bu aynı zamanda , Sklar'ın kopula teoreminde ifade edilen dağılım için R ve İki Değişkenli örneklemde Kopula'dan örnek oluşturmadaki cevaplarla çakışıyor gibi görünüyor mu? . Ama buradaki ne halt ? İki normal dağılımın karışım dağılımı için ters dönüşüm örneklemesi bunu mümkün kılar, ancak nasıl yapılacağı hakkında hiçbir fikrim yok.