タグ付けされた質問 「stable-distribution」

2
乗算できる安定した分布?
安定分布は、畳み込みでは不変です。安定分布のどのサブファミリーも乗算で閉じられますか?場合という意味で、fは∈ FおよびG ∈ F、次いで生成物確率密度関数、F ⋅ G(正規化定数まで)も属するF?FFFf∈ Ff∈Ff\in Fg∈ Fg∈Fg\in F f⋅ グラムf⋅gf \cdot gFFF 注:この質問の内容を大幅に変更しました。しかし、考え方は基本的に同じであり、今でははるかに簡単です。部分的な答えしかなかったので、大丈夫だと思います。

2
混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックブートストラップ
以下の移植片は、この記事から引用したものです。私はブートストラップの初心者であり、R bootパッケージを使用した線形混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックのブートストラップブートストラップを実装しようとしています。 Rコード これが私のRコードです: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out ご質問 …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

3
Rの正の安定分布
正の安定分布は、歪度パラメーター、スケールパラメーター、位置パラメーターなどの4つのパラメーターで記述されます。-呼び出されたインデックスパラメータ。がゼロの場合、分布は中心に対称であり、正(または負)の場合、分布は右(左)に歪む。が減少すると、安定した分布により太い裾が可能になります。σ &gt; 0 μ ∈ (- ∞ 、∞ )α ∈ (0 、2 ] β μ αβ∈ [ - 1 、1 ]β∈[−1,1]\beta\in[-1,1]σ&gt; 0σ&gt;0\sigma>0μ ∈ (- ∞ 、∞ )μ∈(−∞,∞)\mu\in(-\infty,\infty)α ∈ (0 、2 ]α∈(0,2]\alpha\in(0,2]ββ\betaμμ\muαα\alpha 場合、厳密に1未満であり、に対して配信制限しのサポート。β = 1 (μ 、∞ )αα\alphaβ=1β=1\beta=1(μ,∞)(μ,∞)(\mu,\infty) 密度関数には、パラメーターの値の特定の組み合わせについてのみ、閉じた形式の式があります。場合、、、およびそれは(式(4.4を参照)であり、ここ)。α &lt; 1 β = 1 σ = αμ=0μ=0\mu=0α&lt;1α&lt;1\alpha<1β=1β=1\beta=1σ=ασ=α\sigma=\alpha f(y)=−1πy∑∞k=1Γ(kα+1)k!(−y−α)ksin(αkπ)f(y)=−1πy∑k=1∞Γ(kα+1)k!(−y−α)ksin⁡(αkπ)f(y) = -\frac{1}{\pi y} …

1
ブラウン運動の
ブラウン運動は、ガウス増分の合計の限界として構築されます。代わりに非ガウス安定分布(例えば、コーシー分布)を使用して、プロセスを構築できますか?そのようなプロセスのスケールパラメータは、式c t = t 1 / αに従って進化しますか?αα\alphact= t1 / αct=t1/αc_t = t^{1/\alpha}

1
L推定器による合計安定RVのパラメーターの推定
L-estimatorsの用途の1つは、特定のクラスから抽出された確率変数のパラメーターを「ロバストに」推定する機能です。使用することの欠点の一つレビー -STABLE分布はαα\alpha、クラスから引き出された観察試料を所定のパラメータを推定することが困難であることです。L推定器を使用してLevy RVのパラメーターを推定する作業はありましたか?LevyディストリビューションのPDFとCDFには閉じた形式がないという事実には明らかな困難がありますが、おそらくこれはいくつかの策略によって克服できるでしょう。ヒントはありますか?
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.