У меня есть эксперимент, в котором я провожу измерения нормально распределенной переменной ,
Однако предыдущие эксперименты предоставили некоторые доказательства того, что стандартное отклонение является аффинной функцией независимой переменной , т.е.
Я хотел бы оценить параметры и б путем выборки Y на множество значений X . Кроме того, из-за ограничений эксперимента я могу взять только ограниченное (примерно 30-40) количество образцов Y и предпочел бы брать образцы при нескольких значениях X по несвязанным экспериментальным причинам. Учитывая эти ограничения, какие методы доступны для оценки a и b ?
Описание эксперимента
Это дополнительная информация, если вам интересно, почему я задаю вышеуказанный вопрос. Мой эксперимент измеряет слуховое и визуальное пространственное восприятие. У меня есть настройки эксперимента , в котором можно представить либо слуховые или визуальные цели из разных мест, , и предметы указывают на воспринимаемое расположение мишени, Y . И зрение *, и прослушивание становятся менее точными с увеличением эксцентриситета (т. Е. Увеличением | X | ), которое я моделирую как σ выше. В конечном счете, я хотел бы оценить а и бкак для зрения, так и для прослушивания, поэтому я знаю точность каждого ощущения в разных местах пространства. Эти оценки будут использоваться для прогнозирования относительного веса визуальных и слуховых целей, когда они представлены одновременно (аналогично теории мультисенсорной интеграции, представленной здесь: http://www.ncbi.nlm.nih.gov/pubmed/12868643 ).
* Я знаю, что эта модель неточна для зрения при сравнении фовеального и внефовеального пространства, но мои измерения ограничены исключительно внефовеальным пространством, где это приличное приближение.
Ответы:
В случае, подобном вашему, когда у вас есть относительно простая, но «нестандартная» порождающая модель, для которой вы хотите оценить параметры, моей первой мыслью будет использование программы байесовского вывода, такой как Stan . Описание, которое вы дали, очень точно переведет модель Стэна.
Пример кода R с использованием RStan (интерфейс R для Stan).
Вы получите вывод, который выглядит примерно так (хотя ваши случайные числа, вероятно, будут отличаться от моих):
источник
Вы не можете ожидать закрытые формулы, но вы все равно можете записать функцию правдоподобия и увеличить ее численно. Ваша модель Тогда функция логарифмического правдоподобия (не считая члена, не зависящего от параметров) становится и это легко программировать и дать числовой оптимизатор.
В R мы можем сделать
Затем смоделируйте некоторые данные:
Затем сделайте функцию правдоподобия:
Тогда оптимизируйте это:
источник