R语言极值理论:希尔HILL统计量尾部指数参数估计可视化

简介: R语言极值理论:希尔HILL统计量尾部指数参数估计可视化

原文链接:http://tecdat.cn/?p=26277 

极值理论对样本尾部分布的极值指数的估计方法主要有两类:半参数方法和全 参数方法,前者主要是基于分布尾部的 Hill 估计量,后者则主要基于广义帕累托分布。

尾部指数的希尔HILL统计量估计。更具体地说,我们看到如果 image.png , 和 image.png ,然后希尔HILL估计为 image.png

image.png

image.png 。然后 image.png 在某种意义上满足某种一致性 image.png ,如果 image.png ,即 image.png (在收敛速度的附加假设下, image.png )。此外,在附加的技术条件下

image.png

为了说明这一点,请考虑以下代码。首先,让我们考虑一个帕累托生存函数,以及相关的分位数函数

> Q=fuction(p){unro(funion(x) S(x)-(1-p),loer=1,per=1e+9)$root}

我们将考虑更复杂的生存函数。这是生存函数和分位数函数,

> plot(u,Veie(Q)(u),type="l")

image.png

在这里,我们需要 分位数函数从这个分布中生成一个随机样本,

> X=Vectorize(Q)(runif(n))

hill统计量在这里

> abline(h=alpha)

image.png



我们现在可以生成数千个随机样本,并查看这些估计器(对于某些特定的k)。


> for(s in 1:ns){
+ X=Vectorize
+ H=hill
+ hilk=function(k) 
+ HilK\[s,\]=Vectorize
+ }

image.png

如果我们计算平均值,

> plot(15*(1:10),apply(2,mean)

image.png

我们得到了一系列可以被认为是无偏的估计量。

现在,回想一下,处于 Fréchet 分布并不意味着 image.png , 和 image.png , 但意味着

image.png

对于一些缓慢变化的函数 image.png ,不一定恒定!为了了解可能发生的情况,我们必须稍微具体一些。这只能通过查看生存函数的性质。假设,这里有一些辅助函数 image.png

image.png

这个(正)常数 image.png 以某种方式与生存函数与幂函数之比的收敛速度有关。

更具体地说,假设

image.png

然后,使用获得二阶正则变化性质 image.png ,然后,如果 image.png 趋向于无穷大太快,那么估计就会有偏差。 如果 image.png ,那么,对于一些 image.png ,

image.png

这个结果的直观解释是,如果 image.png 太大,并且如果基础分布不_完全_ 是帕累托分布,那么希尔估计量是有偏的。这就是我们所说的意思

  • 如果 image.png 太大, image.png 是有偏估计量
  • 如果 image.png 太小, image.png 是一个不稳定的估计量

(后者来自样本均值的属性:观察越多,均值的波动性越小)。

让我们运行一些模拟以更好地了解正在发生的事情。使用前面的代码,生成具有生存函数的随机样本实际上是极其简单的

image.png

> Q=function(p){uniroot(function(x) S(x)-(1-p)}

如果我们使用上面的代码。

希尔hill变成

> abline(h=alpha)

image.png

但它仅基于一个样本。再次考虑数千个样本,让我们看看 Hill 统计量如何,

image.png

所以这些估计量的(经验)平均值是

image.png

相关文章
|
3月前
|
数据可视化 数据挖掘 图形学
R语言基础可视化:使用ggplot2构建精美图形的探索
【8月更文挑战第29天】 `ggplot2`是R语言中一个非常强大的图形构建工具,它基于图形语法提供了一种灵活且直观的方式来创建各种统计图形。通过掌握`ggplot2`的基本用法和美化技巧,你可以轻松地将复杂的数据转化为直观易懂的图形,从而更好地理解和展示你的数据分析结果。希望本文能够为你探索`ggplot2`的世界提供一些帮助和启发。
|
3月前
|
数据可视化 数据挖掘 数据处理
R语言高级可视化技巧:使用Plotly与Shiny制作互动图表
【8月更文挑战第30天】通过使用`plotly`和`shiny`,我们可以轻松地创建高度互动的数据可视化图表。这不仅增强了图表的表现力,还提高了用户与数据的交互性,使得数据探索变得更加直观和高效。本文仅介绍了基本的使用方法,`plotly`和`shiny`还提供了更多高级功能和自定义选项,等待你去探索和发现。希望这篇文章能帮助你掌握使用`plotly`和`shiny`制作互动图表的技巧,并在你的数据分析和可视化工作中发挥更大的作用。
|
3月前
|
数据挖掘 数据处理
R语言统计基本概念:探索描述性统计与推断统计的奥秘
【8月更文挑战第30天】描述性统计与推断统计是R语言统计分析中的两大基石。描述性统计帮助我们直观地了解数据的分布特征和基本属性,而推断统计则允许我们基于样本数据对总体进行推断和预测。在数据分析的实际应用中,两者相辅相成,共同构成了数据分析的完整框架。掌握这两大概念及其在R语言中的实现方法,对于提升数据分析能力和决策效率具有重要意义。
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
3月前
|
数据可视化
R语言可视化设计原则:打造吸引力十足的数据可视化
【8月更文挑战第30天】R语言可视化设计是一个综合性的过程,需要综合运用多个设计原则来创作出吸引力十足的作品。通过明确目标、选择合适的图表类型、合理运用色彩与视觉层次、明确标注与引导视线以及引入互动性与动态效果等原则的应用,你可以显著提升你的数据可视化作品的吸引力和实用性。希望本文能为你提供一些有益的启示和帮助。
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
4天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
18 3
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。

热门文章

最新文章