Question

我有一个R最大可能性的问题，我希望你可以帮助我。在代码中，Nt代表观察到的索赔计数和相应卷的vt。

首先我假设一个Poisson dist。所以我估计lambda与mle并得到0.10224。然后我尝试用fitdistr估计lambda，结果是1022.4。为什么这两个功能有什么区别？我该如何纠正？

后来我尝试使用相同的数据来估计负二项式的参数。但我还没有把它付诸实践。你能看出我做错了什么吗？ lambda和gamma的起始值只是我选择的随机数。

library(stats4)
library(MASS) 

Nt <- c(1000, 997, 985, 989, 1056, 1070, 994, 986, 1093, 1054)
vt <- rep(10000, 10) 
n <- length(Nt)

obs.freq <- Nt/vt
overall.freq <- sum(Nt)/sum(vt)

#####
# mle - poisson
#####

fit.poisson <- function(lamda){
-sum(dpois(Nt, lamda*vt, log=TRUE))
}

mle.poisson <- mle(fit.poisson, start=list(lamda=overall.freq), nobs = NROW(Nt))
mle.poisson.summary <- summary(mle.poisson)

fitdistr(Nt, "Poisson")   

#####
# mle - negative binomial
#####

fit.negbin <- function(lamda, gamma){
SUM <- numeric(n)
for(i in 1:n){
SUM[i] <- lfactorial(Nt[i]+gamma-1) - lfactorial(Nt[i]) - lfactorial(gamma-1) + gamma*log(1-lamda*vt[i]/(gamma+lamda*vt[i])) + Nt[i]*log(lamda*vt[i]/(gamma+lamda*vt[i]))
}
-sum(SUM)
}

mle.negbin <- mle(fit.negbin, start=list(lamda=0.1, gamma=2), nobs=n)
mle.negbin.summary <- summary(mle.negbin)

fitdistr(Nt,"Negative binomial")

Answer 1

在您使用mle()的第一次尝试中，您在vt尝试时合并了fitdistr()，但事实并非如此。您可以通过将fit.poisson更改为just：

来获得相同的结果

fit.poisson <- function(lamda){
    -sum(dpois(Nt, lambda, log=TRUE))
}

或将fitdistr()更改为：

fitdistr(Nt/vt, "Poisson")

我认为您的负二项模型没有任何问题。负二项模型（0.10197）的λ估计值非常接近泊松模型中的λ估计值（0.10224）。

R与mle和fitdistr的最大可能性

1 个答案: