Это можно сделать с помощью преобразования sinh-arcsinh из
Джонс, М. С. и Пьюси А. (2009). Синх-арчинские распределения . Биометрика 96: 761–780.
Преобразование определяется как
ЧАС( х ; ϵ , δ) = грех[ δзп- 1( х ) - ϵ ] ,( ⋆ )
где и . Когда это преобразование применяется к обычному CDF , оно создает унимодальное распределение, параметры которого контролируют асимметрия и эксцесс соответственно (Jones and Pewsey, 2009) в смысле van Zwet (1969) . Кроме того, если и , мы получим исходное нормальное распределение. Смотрите следующий код R δ ∈ R + S ( x ; ϵ , δ ) = Φ [ H ( x ; ϵ , δ ) ] ( ϵ , δ ) ϵ = 0 δ = 1& epsi ; ∈ Rδ∈ R+S( х ; ϵ , δ) = Φ [ H( х ; ϵ , δ) ]( ϵ , δ)ε = 0δ= 1
fs = function(x,epsilon,delta) dnorm(sinh(delta*asinh(x)-epsilon))*delta*cosh(delta*asinh(x)-epsilon)/sqrt(1+x^2)
vec = seq(-15,15,0.001)
plot(vec,fs(vec,0,1),type="l")
points(vec,fs(vec,1,1),type="l",col="red")
points(vec,fs(vec,2,1),type="l",col="blue")
points(vec,fs(vec,-1,1),type="l",col="red")
points(vec,fs(vec,-2,1),type="l",col="blue")
vec = seq(-5,5,0.001)
plot(vec,fs(vec,0,0.5),type="l",ylim=c(0,1))
points(vec,fs(vec,0,0.75),type="l",col="red")
points(vec,fs(vec,0,1),type="l",col="blue")
points(vec,fs(vec,0,1.25),type="l",col="red")
points(vec,fs(vec,0,1.5),type="l",col="blue")
Поэтому, выбрав подходящую последовательность параметров , вы можете сгенерировать последовательность распределений / преобразований с различными уровнями асимметрии и эксцессов и сделать их похожими или отличными от нормального распределения, как вы хотите.( ϵN, δN)
Следующий график показывает результат, полученный с помощью кода R. Для (i) и , и (ii) и .δ = 1 ϵ = 0 δ = ( 0,5 , 0,75 , 1 , 1,25 , 1,5 )ϵ = ( - 2 , - 1 , 0 , 1 , 2 )δ= 1 ε = 0δ= ( 0,5 , 0,75 , 1 , 1,25 , 1,5 )
Имитация этого распределения проста, учитывая, что вам просто нужно преобразовать нормальную выборку, используя обратную .( ⋆ )
ЧАС- 1( х ; ϵ , δ) = грех[ δ- 1( грех- 1( х ) + ϵ ) ]