Hay varias formas de calcular los intervalos de confianza para la media de una distribución lognormal. Voy a presentar dos métodos: Bootstrap y perfil de probabilidad. También presentaré una discusión sobre los Jeffreys antes.
Oreja
Para el MLE
En este caso, el MLE de para una muestra son(μ,σ)( x1, . . . , xnorte)
μ^= 1norte∑j = 1norteIniciar sesión( xj) ;σ^2= 1norte∑j = 1norte( registro( xj) - μ^)2.
Entonces, el MLE de la media es . Al volver a muestrear podemos obtener una muestra de bootstrap de y, utilizando esto, podemos calcular varios intervalos de confianza de bootstrap . Los siguientes códigos muestran cómo obtenerlos.δ^= exp( μ^+ σ^2/ 2) δδ^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$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Para la media de la muestra
Ahora, considerando el estimador lugar del MLE. También podría considerarse otro tipo de estimadores.δ~= x¯
rm(list=ls())
library(boot)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Statistic (MLE)
samp.mean = function(dat) return(mean(dat))
# Bootstrap
boots.out = boot(data=data0, statistic=function(d, ind){samp.mean(d[ind])}, R = 10000)
plot(density(boots.out$t))
# 4 types of Bootstrap confidence intervals
boot.ci(boots.out, conf = 0.95, type = "all")
Probabilidad de perfil
Para la definición de funciones de probabilidad y perfil de probabilidad, ver . Usando la propiedad de invariancia de la probabilidad, podemos reparameterise de la siguiente manera , donde y luego calcular numéricamente el probabilidad de perfil de .( μ , σ) → ( δ, σ)δ= exp( μ + σ2/ 2)δ
Rpag( δ) = supσL (δ, σ)cenarδ,σL (δ, σ).
Esta función toma valores en ; un intervalo de nivel tiene una confianza aproximada de . Vamos a utilizar esta propiedad para construir un intervalo de confianza para . Los siguientes códigos muestran cómo obtener este intervalo .( 0 , 1 ]0,147 95 % δ95 %δR
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))$root)
⋆ Bayesian
En esta sección, se presenta un algoritmo alternativo, basado en el muestreo de Metropolis-Hastings y el uso de Jeffreys antes, para calcular un intervalo de credibilidad para .δ
Recuerde que el Jeffreys anterior para en un modelo lognormal es( μ , σ)
π( μ , σ) ∝ σ- 2,
y que este prior es invariable bajo reparameterisations. Este previo es incorrecto, pero el posterior de los parámetros es apropiado si el tamaño de la muestra . El siguiente código muestra cómo obtener un intervalo de credibilidad del 95% utilizando este modelo bayesiano.n ≥ 2R
library(mcmc)
set.seed(1)
# Simulated data
data0 = exp(rnorm(100))
# Log posterior
lp = function(par){
if(par[2]>0) return( sum(log(dlnorm(data0,par[1],par[2]))) - 2*log(par[2]))
else return(-Inf)
}
# Metropolis-Hastings
NMH = 260000
out = metrop(lp, scale = 0.175, initial = c(0.1,0.8), nbatch = NMH)
#Acceptance rate
out$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))
Tenga en cuenta que son muy similares.