Ước tính khả năng tối đa của tham số vị trí của phân phối Cauchy


10

Tôi đã đạt đến

dlnLdμ=i=1n2(xiu)1+(xiu)2

Trong đó là tham số vị trí. Và là chức năng khả năng. Tôi không biết cách tiến hành. Xin vui lòng giúp đỡ.uL


Bạn đã nhìn ở đây chưa? vi.wikipedia.org/wiki/ từ

Bạn không thể giải quyết vấn đề này một cách trực tiếp, Bạn có thể sử dụng Newton-Raphson để lấy mle.
Miền Bắc sâu

@DeepNorth chính xác! Nhưng tôi không biết làm thế nào để có được mle bằng phương pháp Newton Raphson. Vui lòng giải thích.
dùng89929

@ Có Vâng, tôi đã đọc nó. Nhưng vẫn không thể đoán chính xác những gì họ đang nói.
dùng89929

Câu trả lời:


10

Ok, hãy để chúng tôi nói pdf cho cauchy là:

θf(x;θ)=1π11+(xθ)2 ở đây là trung vị, không có nghĩa là vì nghĩa của Cauchy là không xác định.θ

L(θ;x)=1π11+(x1θ)21π11+(x2θ)21π11+(xnθ)2=1πn1[1+(xiθ)2]

(θ;x)=nlogπi=1nlog[1+(xiθ)2]

d(θ;x)dθ=i=1n2(xiθ)1+(xiθ)2

Đây chính xác là những gì bạn có, ngoại trừ ở đây là trung bình, không có nghĩa. Tôi cho rằng là trung bình trong công thức của bạn.uθu

Bước tiếp theo, để tìm mle, chúng ta cần đặtd(θ;x)dθ=i=1n2(xiθ)1+(xiθ)2=0

Bây giờ là biến của bạn và là các giá trị đã biết, bạn cần giải phương trìnhx i s n i = 1 2 ( x i - θ )θxisi=1n2(xiθ)1+(xiθ)2=0

tức là để giải quyết . Có vẻ như để giải phương trình này sẽ rất khó khăn. Do đó, chúng ta cần phương pháp Newton-Raphson.2(x1θ)1+(x1θ)2+2(x2θ)1+(x2θ)2++2(xnθ)1+(xnθ)2=0

Tôi nghĩ rằng rất nhiều sách tính toán nói về phương pháp

Công thức cho phương pháp Newton-Raphson có thể được viết là

(1)θ1^=θ0^(θ0^)(θ0^)

θ0^ là dự đoán ban đầu của bạn vềθ

là đạo hàm đầu tiên của hàm khả năng đăng nhập.

là đạo hàm thứ hai của hàm khả năng đăng nhập.

Từ bạn có thể nhận sau đó bạn đặt đến sau đó bạn nhận được và đặt nó vào để nhận ... tiếp tục các lần lặp này cho đến khi không có thay đổi lớn giữa vàθ0^θ1^θ1^(1)θ2^(1)θ3^θn^θn1^

Sau đây là hàm R tôi đã viết để lấy mle cho bản phân phối Cauchy.

mlecauchy=function(x,toler=.001){      #x is a vector here
startvalue=median(x)
n=length(x);
thetahatcurr=startvalue;
# Compute first deriviative of log likelihood
firstderivll=2*sum((x-thetahatcurr)/(1+(x-thetahatcurr)^2))
# Continue Newton’s method until the first derivative
# of the likelihood is within toler of 0.001
while(abs(firstderivll)>toler){
# Compute second derivative of log likelihood
 secondderivll=2*sum(((x-thetahatcurr)^2-1)/(1+(x-thetahatcurr)^2)^2);
# Newton’s method update of estimate of theta
thetahatnew=thetahatcurr-firstderivll/secondderivll;
thetahatcurr=thetahatnew;
# Compute first derivative of log likelihood
firstderivll=2*sum((x-thetahatcurr)/(1+(x-thetahatcurr)^2))
}
list(thetahat=thetahatcurr);
}

Bây giờ, giả sử dữ liệu của bạn làx1=1.94,x2=0.59,x3=5.98,x4=0.08,x50.77

x<-c(-1.94,0.59,-5.98,-0.08,-0.77)
mlecauchy(x,0.0001)

Kết quả:

#$thetahat
#[1] -0.5343968

Chúng ta cũng có thể sử dụng R build trong hàm để lấy mle.

optimize(function(theta) -sum(dcauchy(x, location=theta, log=TRUE)),  c(-100,100)) 

#we use negative sign here

Các kết quả:

#$minimum
#[1] -0.5343902

Kết quả gần giống như các mã sản xuất tại nhà.


Ok, như bạn yêu cầu, hãy để chúng tôi làm điều này bằng tay.

Đầu tiên, chúng tôi nhận được dự đoán ban đầu sẽ là trung bình của dữ liệu5.98,1.94,0.77,0.08,0.59

Trung vị là0.77

Tiếp theo, chúng ta đã biết rằngl(θ)=dl(θ;x)dθ=i=1n2(xiθ)1+(xiθ)2

l(θ)=dl2(θ;x)d(θ=d(i=1n2(xiθ)1+(xiθ)2)dθ=2i=1n(xiθ)21[1+(xiθ)2]2

Bây giờ chúng tôi cắm tức là trung vị cho vàθ0^l(θ)l(θ)

tức là thay thế bằng tức là trung bình tức làθθ0^0.77

(θ)=i=1n2(xiθ)1+(xiθ)2=2[5.98(0.77)]1+[(5.98(0.77)2]+2[1.94(0.77)]1+[(1.94(0.77)2]+2[0.77(0.77)]1+[(0.77(0.77)2]+2[0.08(0.77)]1+[(0.08(0.77)2]+2[0.59(0.77)]1+[(0.59(0.77)2]=??

Tiếp theo cắm vào và để nhận sau đó bạn có thể nhận đượcx1x50.77(θ)θ1^

Ok, tôi phải dừng lại ở đây, thật rắc rối khi tính toán các giá trị này bằng tay.


Câu trả lời của bạn là đúng. Tôi đã làm như vậy Nhưng chúng ta chỉ có thể đi theo cách này nếu chúng ta biết các giá trị trong mẫu. Điều đó có nghĩa là không có dạng rút gọn hoặc tổng quát cho MLE của tham số vị trí của phân phối Cauchy?
dùng89929

Tôi nghĩ rằng hình thức tổng quát cho MLE sẽ rất phức tạp. Tôi không biết nếu có.
Miền Bắc sâu

Hãy xem cái này .. stats.stackexchange.com/questions/98971/ Khăn Có một hình thức tổng quát cho nó. Nhưng họ đã thực hiện một số định tâm nếu phân phối Cauchy, tôi không biết làm thế nào! Họ đã giả định mẫu có kích thước 2. Tôi không hiểu tại sao! Xin vui lòng giúp đỡ.
dùng89929

Họ giả sử và họ chỉ có hai điểm dữ liệu và , tôi nghĩ đó là trường hợp rất đặc biệt không phải là dạng tổng quát. x1=x;x2=xxx
Miền Bắc sâu

Umm .. Tôi vẫn còn một số nghi ngờ. 1. Dự đoán ban đầu cho chiếc mũ theta là gì? Nó sẽ là giá trị trung bình từ mẫu nhất định? 2. l 'và l "là các dẫn xuất liên quan đến theta hoặc x?
user89929
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.