Lognormal dağılımın ortalaması için güven aralıklarını hesaplamanın birkaç yolu vardır. İki yöntem sunacağım: Bootstrap ve Profile olasılığı. Ayrıca daha önce Jeffreys hakkında bir tartışma sunacağım.
çizme atkısı
MLE için
Bu durumda, bir örnek için MLE değeri(μ,σ)(x1,...,xn)
μ^= 1nΣj = 1ngünlük( xj) ;σ^2= 1nΣj = 1n( log( xj) - μ^)2.
Ardından, ortalamanın MLE değeri . Biz edinebilirsiniz yeniden örnekleyerek önyükleme örneği arasında ve bu kullanarak, biz hesaplayabilirsiniz birkaç önyükleme güven aralıkları. Aşağıdaki kodlar bunların nasıl elde edileceğini gösterir.δ^= exp( μ^+ σ^2/ 2) δδ^R
rm(list=ls())
library(boot)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Statistic (MLE)
mle = function(dat){
m = mean(log(dat))
s = mean((log(dat)-m)^2)
return(exp(m+s/2))
}
# Bootstrap
boots.out = boot(data=data0, statistic=function(d, ind){mle(d[ind])}, R = 10000)
plot(density(boots.out$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Numune ortalaması için
Şimdi, MLE yerine tahmincisi göz önüne alındığında . Diğer tahmin ediciler de dikkate alınabilir.δ~= x¯
rm(list=ls())
library(boot)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Statistic (MLE)
samp.mean = function(dat) return(mean(dat))
# Bootstrap
boots.out = boot(data=data0, statistic=function(d, ind){samp.mean(d[ind])}, R = 10000)
plot(density(boots.out$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Profil olasılığı
Olabilirlik ve profil olabilirlik fonksiyonlarının tanımı için bakınız . Olasılıkın değişmezlik özelliğini kullanarak aşağıdaki şekilde yeniden hesaplayabiliriz , burada ve sonra sayısal olarak hesaplayabiliriz. profil olasılığı .( μ , σ) → ( δ, σ)δ= exp( μ + σ2/ 2)δ
R,p( δ) = supσL (δ, σ)yudumδ, σL (δ, σ).
Bu fonksiyon değerleri alır ; seviyesinin bir aralık yaklaşık sahiptir güvenini Biz bir güven aralığı oluşturmak için bu özelliği kullanmak için gidiyoruz. şu. Kodları gösterileri nasıl bu aralığını elde etmek .( 0 , 1 ]0.147 % 95δR
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Log likelihood
ll = function(mu,sigma) return( sum(log(dlnorm(data0,mu,sigma))))
# Profile likelihood
Rp = function(delta){
temp = function(sigma) return( sum(log(dlnorm(data0,log(delta)-0.5*sigma^2,sigma)) ))
max=exp(optimize(temp,c(0.25,1.5),maximum=TRUE)$objective -ll(mean(log(data0)),sqrt(mean((log(data0)-mean(log(data0)))^2))))
return(max)
}
vec = seq(1.2,2.5,0.001)
rvec = lapply(vec,Rp)
plot(vec,rvec,type="l")
# Profile confidence intervals
tr = function(delta) return(Rp(delta)-0.147)
c(uniroot(tr,c(1.2,1.6))$root,uniroot(tr,c(2,2.3))$root)
⋆ Bayes
Bu bölümde, için bir güvenilirlik aralığı hesaplamak için Metropolis-Hastings örneklemesi ve daha önce Jeffreys kullanımına dayanan alternatif bir algoritma sunulmuştur.δ
Bu geri çağırma önce Jeffreys için bir Lognormal modelinde olduğu( μ , σ)
π( μ , σ) ∝ σ- 2,
ve bu öncekinin yeniden parametrelendirme altında değişmez olduğu. Bu önceki , ancak örnek boyutu ise parametrelerin posterioru . Aşağıdaki kod, bu Bayesian modelini kullanarak% 95 güvenilirlik aralığının nasıl elde edileceğini gösterir.n ≥ 2R
library(mcmc)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Log posterior
lp = function(par){
if(par[2]>0) return( sum(log(dlnorm(data0,par[1],par[2]))) - 2*log(par[2]))
else return(-Inf)
}
# Metropolis-Hastings
NMH = 260000
out = metrop(lp, scale = 0.175, initial = c(0.1,0.8), nbatch = NMH)
#Acceptance rate
out$acc
deltap = exp( out$batch[,1][seq(10000,NMH,25)] + 0.5*(out$batch[,2][seq(10000,NMH,25)])^2 )
plot(density(deltap))
# 95% credibility interval
c(quantile(deltap,0.025),quantile(deltap,0.975))
Çok benzer olduklarını unutmayın.