Каковы оценки параметров формул для косой нормали? Если вы можете, деривация через MLE или Mom тоже была бы отличной. Спасибо
Редактировать .
У меня есть набор данных, для которых я могу сказать визуально по графикам немного перекошен влево. Я хочу оценить среднее значение и дисперсию, а затем провести тест на пригодность (поэтому мне нужны оценки параметров). Правильно ли я думаю, что мне просто нужно угадать перекос (альфа) (может быть, сделать несколько перекосов и проверить, какой из них лучше?).
Я хотел бы получить вывод MLE для собственного понимания - предпочел бы MLE, а не MoM, поскольку я более знаком с ним.
Я был не уверен, что было более одного общего нормального перекоса - я просто имею в виду негативный перекос! Если возможно, оценки параметров экспоненциальной степени мощности также будут полезны!
snormFit
in оценит асимметричноеfGarch
нормальное распределение, или вы можете предпочесть взглянуть наsn
пакет (использует определение Аззалини, помните, что существуют другие определения «асимметрического нормального»). Если вы используете Stata, попробуйте здесь . Различные пакеты для Python, VBA и Perl доступны на сайте Адельчи Аззалини в университете Падуи.Ответы:
Действительно, «скосившаяся нормальная семья» взорвалась в членстве (статья в википедии не подтверждает это). Итак, давайте рассмотрим мать их всех, которая имеет функцию плотности вероятности
Замкнутых решений для оценки ML не существует. Метод Method-of-Moments обеспечивает закрытые формы следующим образом, предполагая, что все три параметра отличны от нуля (очевидно, если и / или равны нулю, то шаги ниже упрощаются):ω ξ
1) Получите оценку MoM , решив для выражение для асимметрии распределения, используя оценочный коэффициент асимметрии выборки .δ^ δ
γ^3
2) Получить оценку используяα^
3) Получите оценку MoM , решив для выражение для дисперсии, с использованием выборочной дисперсии и оценочной полученной на предыдущем шагеω^ ω
3) Получите оценку MoM , решив для выражение для среднего распределения, используя выборочное среднее и предыдущие оценки.ξ^ ξ
И не забывайте распространять ошибку оценки в этой последовательной процедуре относительно дисперсии оценщика.
источник