[英]maximum likelihood in double poisson distribution
首先,我使用“rmutil”软件包来模拟双泊松分布式数据。 泊松和双泊松的区别在于,双泊松允许过度离散和欠分散,其中均值和方差不必相等。
此链接显示双泊松分布的功能: http : //ugrad.stat.ubc.ca/R/library/rmutil/html/DoublePoisson.html
我模拟了一组大小为500的数据。
set.seed(10)
library("rmutil")
nn = 500 #size of data
gam = 0.7 #dispersion parameter
mu = 11
x <- rdoublepois(nn, mu, gam)
头(x)的
[1] 11 9 10 13 6 8
mean(x) #mean
mean(x)/var(x) #dispersion
以下是参数的真实值:
mean(x)#mean
[1] 10.986
mean(x)/ var(x)#dispersion
[1] 0.695784
为了通过MLE获得参数,我使用nlminb函数来最大化对数似然函数。 对数似然函数由“rmutil”包中的双重分布的密度函数形成。
logl <- function(par) {
mu.new <- par[1]
gam.new <- par[2]
-sum(ddoublepois(x, mu.new, gam.new, log=TRUE))
}
nlminb(start = c(0.1,0.1), lower = 0, upper = Inf, logl)
它出来了错误:
ddoublepois(x,mu.new,gam.new)中的错误:s必须为正数
所以我再做一次尝试,我输入双泊松密度函数的方程。
logl2 <- function(par) {
mu.new <- vector() #mean
gam.new <- vector() #dispersion
ddpoi <- vector()
for (i in 1:nn){
ddpoi[i] <- 0.5*log(gam.new[i])-gam.new[i]*mu.new[i]
+x[i]*(log(x[i])-1)-log(factorial(x[i]))
+(gam.new[i])*x[i]*(1+log(mu.new[i]/x[i]))
}
-sum(ddpoi)
}
nlminb(start = c(0.1,0.1), lower = 0, upper = Inf, logl2)
输出:
nlminb(start = c(0.1,0.1),lower = 0,upper = Inf,logl2)
$ PAR
[1] 0.1 0.1
$目标
[1] Inf
$收敛
[1] 0
$迭代
[1] 1
$评估
功能梯度
2 4
$ message [1]“X-convergence(3)”
当然,估计参数0.1(与初始值相同)表明该代码失败。
任何人都可以告诉我如何对双泊松分布进行正确的最大似然估计?
提前致谢。
你的问题是nlminb
试图评估边界上的函数(即s
完全等于0)。
解决这个问题的一种方法是修改logl
以包含调试语句:
logl <- function(par,debug=FALSE) {
mu.new <- par[1]
gam.new <- par[2]
if (debug) cat(mu.new,gam.new," ")
r <- -sum(ddoublepois(x, m=mu.new, s=gam.new,log=TRUE))
if (debug) cat(r,"\n")
return(r)
}
nlminb(start = c(0.1,0.1), lower = 0, upper = Inf, logl, debug=TRUE)
## 0.1 0.1 3403.035
## 0.1 0.1 3403.035
## 0.1 0.1 3403.035
## 1.022365 0 Error in ddoublepois(x, m = mu.new, s = gam.new, log = TRUE) :
## s must be positive
现在尝试将边界从零略微移位:
nlminb(start = c(0.1,0.1), lower = 1e-5, upper = Inf, logl)
给出合理的答案
## $par
## [1] 10.9921451 0.7183259
## ...
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.