Estimador de máxima verosimilitud del parámetro de ubicación de la distribución de Cauchy


10

He llegado hasta

dlnLdμ=i=1n2(xiu)1+(xiu)2

Donde es el parámetro de ubicación. Y es función de probabilidad. No entiendo cómo proceder. Por favor ayuda.uL


¿Has mirado aquí? en.wikipedia.org/wiki/…

No puede resolver esto directamente, puede usar Newton-Raphson para obtener mle.
Deep North

@DeepNorth exactamente! Pero no entiendo cómo obtener el mle usando el método Newton Raphson. Por favor explique.
user89929

@Bey Sí, lo he leído. Pero aún así no puedo adivinar lo que están diciendo exactamente.
user89929

Respuestas:


10

Ok, digamos que el pdf para el cauchy es:

f(x;θ)=1π11+(xθ)2 aquí es mediana, no significa ya que para Cauchy la media no está definida.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

Esto es exactamente lo que tienes, excepto que aquí es mediana, no mala. Supongo que mediana en tu fórmula.θu

Siguiente paso, para encontrar mle necesitamos establecerd(θ;x)dθ=i=1n2(xiθ)1+(xiθ)2=0

Ahora es su variable, y son valores conocidos, debe resolver la ecuaciónθxisi=1n2(xiθ)1+(xiθ)2=0

es decir, para resolver . Parece que resolver esta ecuación será muy difícil. Por lo tanto, necesitamos el método de Newton-Raphson.2(x1θ)1+(x1θ)2+2(x2θ)1+(x2θ)2++2(xnθ)1+(xnθ)2=0

Creo que muchos libros de cálculo hablan sobre el método

La fórmula para el método de Newton-Raphson puede escribirse como

(1)θ1^=θ0^(θ0^)(θ0^)

θ0^ es su conjetura inicial deθ

es la primera derivada de la función de probabilidad logarítmica.

es la segunda derivada de la función de probabilidad de registro.

Desde puede obtener luego coloca en luego obtiene y lo coloca en para obtener ... continúe estas iteraciones hasta que no haya grandes cambios entre yθ0^θ1^θ1^(1)θ2^(1)θ3^θn^θn1^

Los siguientes son la función R que escribí para obtener mle para la distribución de 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);
}

Ahora suponga que sus datos sonx1=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)

Resultado:

#$thetahat
#[1] -0.5343968

También podemos usar la función R build in para obtener mle.

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

#we use negative sign here

Resultados:

#$minimum
#[1] -0.5343902

El resultado es casi el mismo que el de los códigos caseros.


Ok, como lo requirió, déjenos hacerlo a mano.

Primero obtenemos una conjetura inicial que será la mediana de los datos5.98,1.94,0.77,0.08,0.59

La mediana es0.77

A continuación, ya sabemos quel(θ)=dl(θ;x)dθ=i=1n2(xiθ)1+(xiθ)2

y

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

Ahora conectamos es decir, la mediana de yθ0^l(θ)l(θ)

es decir, reemplazar con es decir, mediana esθθ0^0.77

(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]=??

Luego, conecte a y para obtener luego puede obtenerx1x50.77(θ)θ1^

Ok, tengo que parar aquí, es demasiado problemático calcular estos valores a mano.


Tu respuesta es correcta. Yo hice lo mismo. Pero solo podemos seguir este camino si conocemos los valores de la muestra. ¿Eso significa que no hay una forma compacta o generalizada para el MLE del parámetro de ubicación de la distribución de Cauchy?
user89929

Creo que la forma generalizada para el MLE será muy complicada. No sé si hay uno.
Deep North

Mira esto .. stats.stackexchange.com/questions/98971/… Hay un formulario generalizado para ello. Pero han centrado un poco la distribución de Cauchy, ¡no sé cómo! Han asumido la muestra del tamaño 2. ¡No entiendo por qué! Por favor ayuda.
user89929

Asumieron y solo obtuvieron estos dos puntos de datos y , creo que es un caso muy especial, no una forma generalizada. x1=x;x2=xxx
Deep North

Umm ... todavía tengo algunas dudas. 1. ¿Cuál será la suposición inicial para el sombrero theta? ¿Será el valor medio de la muestra dada? 2. l 'y l "son derivados con respecto a theta o x?
user89929
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.