R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

原文链接：http://tecdat.cn/?p=22566

本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。

  • 极大似然估计

在参数模型的背景下，标准技术是考虑似然的最大值（或对数似然）。考虑到一些技术性假设，如

，

的某个邻域，那么

其中

表示费雪信息矩阵。在此考虑一些样本，来自广义帕累托分布，参数为

，因此

如果我们解决极大似然的一阶条件，我们得到一个满足以下条件的估计

这种渐进正态性的概念如下：如果样本的真实分布是一个具有参数

的GPD，那么，如果n足够大，就会有一个联合正态分布

。因此，如果我们产生大量的样本（足够大，例如200个观测值），那么估计的散点图应该与高斯分布的散点图相同。> for(s in 1:1000){
+ param\[s,\]=gpd(x,0)$par.ests

> image(x,y,z)

得到一个3D的表示

> persp(x,y,t(z)
+ xlab="xi",ylab="sigma")

有了200个观测值，如果真正的基础分布是GPD，那么，联合分布

是正态的。

  • Delta德尔塔法

另一个重要的属性是德尔塔法。这个想法是，如果是渐进正态，足够平滑，那么也是渐进高斯的。

从这个属性中，我们可以得到

（这是极值模型中使用的另一个参数化）的正态性，或者在任何四分位数

上 。我们运行一些模拟，再一次检查联合正态性。> for(s in 1:1000)
+ gpd(x,0)$par.ests
+ q=sha * (.01^(-xih) - 1)/xih
+ tvar=q+(sha + xih * q)/(1 - xih)
dmnorm(cbind(vx,vy),m,S)
> image(x,y,t(z)

正如我们所看到的，在样本大小为200的情况下，我们不能使用这个渐进式的结果：看起来我们没有足够的数据。但是，如果我们在n=5000运行同样的代码，

``````
> n=5000

我们得到

和

的联合正态性。这就是我们可以从这个结果中得到的delta-方法。

  • 轮廓似然( Profile Likelihood )

另一个有趣的方法是Profile 似然函数的概念。因为尾部指数

，

在这里是辅助参数。
这可以用来推导出置信区间。在GPD的情况下，对于每个

，我们必须找到一个最优的 。我们计算Profile 似然函数，即

。而我们可以计算出这个轮廓似然的最大值。一般来说，这个两阶段的优化与（全局）最大似然是不等价的，计算结果如下+  profilelikelihood=function(beta){
+  -loglik(XI,beta) }
+  L\[i\]=-optim(par=1,fn=profilelik)$value }

如果我们想计算轮廓似然的最大值（而不是像以前那样只计算网格上的轮廓似然的值），我们使用

+  profile=function(beta){
+  -loglikelihood(XI,beta) }
(OPT=optimize(f=PL,interval=c(0,3)))

我们得到结果和最大似然估计的

相似。我们可以用这种方法来计算置信区间，在图表上将其可视化> line(h=-up-qchisq(p=.95,df=1)
>  I=which(L>=-up-qchisq(p=.95,df=1))
>  lines(XIV\[I\]

竖线是参数

95%置信区间的下限和上限。

赞 (0)

相关推荐