原文链接：http://tecdat.cn/?p=22566
本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。
在参数模型的背景下，标准技术是考虑似然的最大值（或对数似然）。考虑到一些技术性假设，如 
，
的某个邻域，那么
其中
表示费雪信息矩阵。在此考虑一些样本，来自广义帕累托分布，参数为
，因此
如果我们解决极大似然的一阶条件，我们得到一个满足以下条件的估计
这种渐进正态性的概念如下：如果样本的真实分布是一个具有参数
的GPD，那么，如果n足够大，就会有一个联合正态分布
。因此，如果我们产生大量的样本（足够大，例如200个观测值），那么估计的散点图应该与高斯分布的散点图相同。
-
-
> for(s in 1:1000){
-
+ param[s,]=gpd(x,0)$par.ests
-
-
-
> image(x,y,z)
得到一个3D的表示
-
-
> persp(
x,y,
t(
z)
-
+ xlab=
"xi",ylab=
"sigma")
 |
 |
有了200个观测值，如果真正的基础分布是GPD，那么，联合分布
是正态的。
另一个重要的属性是德尔塔法。这个想法是，如果是渐进正态，足够平滑，那么也是渐进高斯的。
从这个属性中，我们可以得到
（这是极值模型中使用的另一个参数化）的正态性，或者在任何四分位数
上 。我们运行一些模拟，再一次检查联合正态性。
-
-
> for(s in 1:1000)
-
+ gpd(x,0)$par.ests
-
+ q=sha
* (.01^(-xih) - 1)/xih
-
+ tvar=q+(sha + xih * q)/(1 - xih)
-
dmnorm(cbind(vx,vy),m,S)
-
> image(x,y,t(z)
正如我们所看到的，在样本大小为200的情况下，我们不能使用这个渐进式的结果：看起来我们没有足够的数据。但是，如果我们在n=5000运行同样的代码，
-
> n=5000
-
 |
我们得到
和
的联合正态性。这就是我们可以从这个结果中得到的delta-方法。
另一个有趣的方法是Profile 似然函数的概念。因为尾部指数
，
在这里是辅助参数。
这可以用来推导出置信区间。在GPD的情况下，对于每个
，我们必须找到一个最优的 。我们计算Profile 似然函数，即
。而我们可以计算出这个轮廓似然的最大值。一般来说，这个两阶段的优化与（全局）最大似然是不等价的，计算结果如下
-
-
+ profilelikelihood=function(beta){
-
+ -loglik(XI,beta) }
-
+ L[i]=-optim(par=1,fn=profilelik)$value }
-
如果我们想计算轮廓似然的最大值（而不是像以前那样只计算网格上的轮廓似然的值），我们使用
-
-
+ profile=
function(beta){
-
+ -loglikelihood(XI,beta) }
-
(OPT=optimize(f=PL,interval=c(0,3)))
-
我们得到结果和最大似然估计的
相似。我们可以用这种方法来计算置信区间，在图表上将其可视化
-
-
> line(h=-up-qchis
q(p=.95,df=1)
-
> I=which(L>=-up-qchis
q(p=.95,df=1))
-
> lines(XIV[I]
竖线是参数
95%置信区间的下限和上限。
最受欢迎的见解
3.R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析
4.R语言回归中的hosmer-lemeshow拟合优度检验
5.matlab实现MCMC的马尔可夫切换ARMA – GARCH模型估计
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
转载：https://blog.csdn.net/qq_19600291/article/details/117226544