[英]How to find the second derivative in R and while using newton's method with numerical derivation
标度参数为1的伽马分布的对数似然可写为:
(α−1)s−nlogΓ(α)
其中,α是形状参数,而s=∑logXi
是足够的统计量。
随机绘制形状参数为alpha = 4.5的n = 30的样本。 使用newton_search
和make_derivative
,找到alpha的最大似然估计。 使用alpha的矩估计量,即x的平均值作为初始猜测。 R中的对数似然函数为:
x <- rgamma(n=30, shape=4.5)
gllik <- function() {
s <- sum(log(x))
n <- length(x)
function(a) {
(a - 1) * s - n * lgamma(a)
}
}
我创建了make_derivative函数,如下所示:
make_derivative <- function(f, h) {
(f(x + h) - f(x - h)) / (2*h)
}
我还创建了一个newton_search
结合了功能make_derivative
功能; 但是,我需要在对数似然函数的二阶导数上使用newton_search
,但我不确定如何修复以下代码才能做到这一点:
newton_search2 <- function(f, h, guess, conv=0.001) {
set.seed(2)
y0 <- guess
N = 1000
i <- 1; y1 <- y0
p <- numeric(N)
while (i <= N) {
make_derivative <- function(f, h) {
(f(y0 + h) - f(y0 - h)) / (2*h)
}
y1 <- (y0 - (f(y0)/make_derivative(f, h)))
p[i] <- y1
i <- i + 1
if (abs(y1 - y0) < conv) break
y0 <- y1
}
return (p[(i-1)])
}
提示:您必须将newton_search
应用于对数似然的一阶和二阶导数(使用make_derivative
通过数字make_derivative
)。 您的答案应该在4.5附近。
当我运行newton_search2(gllik(), 0.0001, mean(x), conv = 0.001)
,得到的答案应该是newton_search2(gllik(), 0.0001, mean(x), conv = 0.001)
两倍。
我重新编写了代码,现在它可以完美运行(甚至比我最初写的还要好)。 感谢所有的帮助。 :-)
newton_search <- function(f, df, guess, conv=0.001) {
set.seed(1)
y0 <- guess
N = 100
i <- 1; y1 <- y0
p <- numeric(N)
while (i <= N) {
y1 <- (y0 - (f(y0)/df(y0)))
p[i] <- y1
i <- i + 1
if (abs(y1 - y0) < conv) break
y0 <- y1
}
return (p[(i-1)])
}
make_derivative <- function(f, h) {
function(x){(f(x + h) - f(x - h)) / (2*h)
}
}
df1 <- make_derivative(gllik(), 0.0001)
df2 <- make_derivative(df1, 0.0001)
newton_search(df1, df2, mean(x), conv = 0.001)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.