Xu hướng ước tính thời điểm phân phối lognatural


25

Tôi đang làm một số thí nghiệm số mà bao gồm trong lấy mẫu một bản phân phối lognormal XLN(μ,σ) , và cố gắng để ước lượng những khoảnh khắc bằng hai phương pháp:E[Xn]

  1. Nhìn vào giá trị trung bình mẫu củaXn
  2. Ước tính và bằng cách sử dụng mẫu có nghĩa là , và sau đó sử dụng thực tế là để phân phối lognatural, chúng ta có .μσ2log(X),log2(X)E[Xn]=exp(nμ+(nσ)2/2)

Câu hỏi là :

Tôi thấy bằng thực nghiệm rằng phương pháp thứ hai thực hiện tốt hơn nhiều so với phương pháp thứ nhất, khi tôi giữ số lượng mẫu cố định và tăng bởi một số yếu tố T. Có giải thích đơn giản nào cho thực tế này không?μ,σ2

Tôi đang đính kèm một hình trong đó trục x là T, trong khi trục y là các giá trị của so sánh các giá trị thực của (đường màu cam), theo các giá trị ước tính. phương pháp 1 - chấm xanh, phương pháp 2 - chấm xanh. trục y nằm trong thang đo logE[X2]E[X2]=exp(2μ+2σ2)

Giá trị đúng và ước tính cho $ \ mathbb {E} [X ^ 2] $.  Các chấm màu xanh là mẫu có nghĩa là $ \ mathbb {E} [X ^ 2] $ (phương thức 1), trong khi các chấm màu xanh lá cây là các giá trị ước tính bằng phương pháp 2. Dòng màu cam được tính từ $ \ mu $, $ \ đã biết sigma $ theo cùng phương trình như trong phương pháp 2. trục y nằm trong thang đo log

CHỈNH SỬA:

Dưới đây là mã Mathicala tối thiểu để tạo kết quả cho một T, với đầu ra:

   ClearAll[n,numIterations,sigma,mu,totalTime,data,rmomentFromMuSigma,rmomentSample,rmomentSample]
(* Define variables *)
n=2; numIterations = 10^4; sigma = 0.5; mu=0.1; totalTime = 200;
(* Create log normal data*)
data=RandomVariate[LogNormalDistribution[mu*totalTime,sigma*Sqrt[totalTime]],numIterations];

(* the moment by theory:*)
rmomentTheory = Exp[(n*mu+(n*sigma)^2/2)*totalTime];

(*Calculate directly: *)
rmomentSample = Mean[data^n];

(*Calculate through estimated mu and sigma *)
muNumerical = Mean[Log[data]]; (*numerical \[Mu] (gaussian mean) *)
sigmaSqrNumerical = Mean[Log[data]^2]-(muNumerical)^2; (* numerical gaussian variance *)
rmomentFromMuSigma = Exp[ muNumerical*n + (n ^2sigmaSqrNumerical)/2];

(*output*)
Log@{rmomentTheory, rmomentSample,rmomentFromMuSigma}

Đầu ra:

(*Log of {analytic, sample mean of r^2, using mu and sigma} *)
{140., 91.8953, 137.519}

ở trên, kết quả thứ hai là giá trị trung bình mẫu của , thấp hơn hai kết quả khácr2


2
Công cụ ước tính không thiên vị không ngụ ý rằng các chấm màu xanh phải ở gần giá trị mong đợi (đường cong màu cam). Một công cụ ước tính có thể không thiên vị nếu nó có xác suất cao là quá thấp và nhỏ (có lẽ là nhỏ đến đáng kinh ngạc) xác suất quá cao. Đó là những gì xảy ra khi T tăng và phương sai trở nên rất lớn (xem câu trả lời của tôi).
Matthew Gunn

Để biết cách lấy các công cụ ước tính không thiên vị, vui lòng xem stats.stackexchange.com/questions/105717 . UMVUE của giá trị trung bình và phương sai được đưa ra trong các câu trả lời và nhận xét.
whuber

Câu trả lời:


22

Có một cái gì đó khó hiểu trong những kết quả kể từ khi

  1. phương pháp đầu tiên cung cấp một công cụ ước tính không thiên vị của , cụ thể là 1E[X2]E[X2]là trung bình của nó. Do đó, các chấm màu xanh phải nằm xung quanh giá trị mong đợi (đường cong màu cam);
    1Ni=1NXi2
    E[X2]
  2. phương pháp thứ hai cung cấp một ước lượng chệch của , cụ thể là E [ exp ( n μ + n 2 σ 2 / 2 ) ] > exp ( n μ + ( n σ ) 2 / 2 ) khi μσ ² là ước lượng không thiên vị của μσ ²E[X2]
    E[exp(nμ^+n2σ^2/2)]>exp(nμ+(nσ)2/2)
    μ^σ^²μσ² tương ứng, và thật kỳ lạ khi các chấm màu xanh lá cây được xếp thẳng hàng với đường cong màu cam.

nhưng họ là do vấn đề chứ không phải tính toán số học: Tôi lặp lại thí nghiệm trong R và có những hình ảnh sau đây với mã cùng màu và cùng một chuỗi của 's và σ T ' s, đại diện cho từng ước lượng chia bởi sự kỳ vọng thực sự:μTσT

Hai khoảnh khắc thứ hai theo kinh nghiệm, dựa trên 10⁶ mô phỏng thông thường

Đây là mã R tương ứng:

moy1=moy2=rep(0,200)
mus=0.14*(1:200)
sigs=sqrt(0.13*(1:200))
tru=exp(2*mus+2*sigs^2)
for (t in 1:200){
x=rnorm(1e5)
moy1[t]=mean(exp(2*sigs[t]*x+2*mus[t]))
moy2[t]=exp(2*mean(sigs[t]*x+mus[t])+2*var(sigs[t]*x+mus[t]))}

plot(moy1/tru,col="blue",ylab="relative mean",xlab="T",cex=.4,pch=19)
abline(h=1,col="orange")
lines((moy2/tru),col="green",cex=.4,pch=19)

Do đó thực sự là một sự sụp đổ của thời điểm thực nghiệm thứ hai là σ tăng rằng tôi sẽ gán cho sự gia tăng rất lớn trong phương sai của nói thời điểm thực nghiệm thứ hai là μσ tăng.μσμσ

E[X2]X2X2e2μX2exp{2μ+2σϵ}ϵN(0,1)σσϵσ2XLN(μ,σ)

P(X2>E[X2])=P(log{X2}>2μ+2σ2)=P(μ+σϵ>μ+σ2)=P(ϵ>σ)=1Φ(σ)

1
Tôi cũng hoang mang. Tôi đang thêm một mã tối thiểu với kết quả (
Mathicala

Được. Cảm ơn! Đặt một số con số, tôi thấy rằng kích thước mẫu ít ỏi của tôi thực sự không phù hợp với nhiệm vụ!
user29918

2
σ

2
P(X2>E[X2])=1Φ(σ)σσ

2
σ

13

Tôi nghĩ rằng tôi đã đưa ra một số hình ảnh cho thấy cả hai lô của người dùng29918 và Xi'an đều nhất quán. Hình 1 vẽ những gì người dùng29918 đã làm và Hình 2 (dựa trên cùng một dữ liệu), thực hiện những gì Xi'an đã làm cho âm mưu của mình. Kết quả giống nhau, trình bày khác nhau.

1nixi2

Nhận xét thêm:

  1. Công cụ ước tính không thiên vị không có nghĩa là công cụ ước tính được dự kiến ​​sẽ đóng! Các chấm màu xanh không cần phải gần kỳ vọng. Ví dụ. một quan sát duy nhất được chọn ngẫu nhiên đưa ra ước tính không thiên vị về trung bình dân số, nhưng công cụ ước tính đó sẽ không được dự kiến ​​sẽ đóng.
  2. Vấn đề đang được đưa ra khi phương sai đang trở nên hoàn toàn thiên văn. Khi phương sai trở nên khó khăn, ước tính cho phương pháp đầu tiên đang được điều khiển chỉ là một vài quan sát. Bạn cũng bắt đầu có một xác suất nhỏ xíu, nhỏ bé của một số lượng lớn, KHÔNG ĐỔI, KHÔNG ĐÚNG ...
  3. P(X2>E[X2])=1Φ(σ)σX2>E[X2]nhập mô tả hình ảnh ở đây

nhập mô tả hình ảnh ở đây

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.