Существует несколько способов вычисления доверительных интервалов для среднего логнормального распределения. Я собираюсь представить два метода: Bootstrap и вероятность профиля. Я также представлю обсуждение Джеффриса до.
начальная загрузка
Для MLE
В данном случае ОМП (μ,σ) для образца (x1,...,xn) являются
μ^=1n∑j=1nlog(xj);σ^2=1n∑j=1n(log(xj)−μ^)2.
Затем ОМП среднее равно δ = ехр ( μ + σ 2 / 2 ) . По передискретизации можно получить образец самозагрузки из б и, используя это, мы можем вычислить несколько самозагрузки доверительных интервалов. Следующие коды показывают, как их получить.δ^=exp(μ^+σ^2/2)δ^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$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Для образца означает
Теперь рассмотрим оценку δ~= х¯ вместо MLE. Можно также рассмотреть другой тип оценщиков.
rm(list=ls())
library(boot)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Statistic (MLE)
samp.mean = function(dat) return(mean(dat))
# Bootstrap
boots.out = boot(data=data0, statistic=function(d, ind){samp.mean(d[ind])}, R = 10000)
plot(density(boots.out$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Вероятность профиля
Для определения функций правдоподобия и профиля правдоподобия см . Используя свойство инвариантности вероятности мы можем reparameterise следующим образом ( μ , σ) → ( δ, σ) , где δ= опыт( μ + σ2/ 2) , а затем рассчитать численно профиль вероятности δ .
рп( δ) = supσL (δ, σ)вирδ, σL (δ, σ),
Эта функция принимает значения в ( 0 , 1 ] ; интервал уровня 0,147 имеет приблизительную достоверность 95 % . Мы собираемся использовать это свойство для построения доверительного интервала для δ . В следующих R
кодах показано, как получить этот интервал.
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))$root)
⋆ байесовский
δ
( μ , σ)
π( μ , σ) ∝ σ- 2,
n ≥ 2R
library(mcmc)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Log posterior
lp = function(par){
if(par[2]>0) return( sum(log(dlnorm(data0,par[1],par[2]))) - 2*log(par[2]))
else return(-Inf)
}
# Metropolis-Hastings
NMH = 260000
out = metrop(lp, scale = 0.175, initial = c(0.1,0.8), nbatch = NMH)
#Acceptance rate
out$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))
Обратите внимание, что они очень похожи.