Question

我已使用stableFit包中的fBasics函数为稳定分布提供参数（alpha，beta，gamma和delta），如下所示：

stableFit(x)

然后我做了以下操作来提出对数似然值，出于某种原因，它似乎不起作用：

stable.fit <- function(alpha=1.387,beta=0.279,
                       gamma=0.006948893,delta=-0.0017933) {
   -sum(dstable(x,1.387,0.279,0.006948893,-0.0017933,pm=0,log=TRUE))
}


mle.results<-mle2(stable.fit,
         start=list(alpha=1.387,beta=0.279,
                   gamma=0.006948893,delta=-0.0017933),
   data=list(x)) #max likelihood using bbmle package

mle.results #produces the log-likelihood values

似乎当我运行mle.results<- mle2(..行时，R会持续运行，直到我按下＆＃34; STOP＆＃34;按钮。因此，我无法要求＆＃34; mle.results＆＃34;。为什么会这样？这个过程似乎适用于Normal，logistic，Cauchy，Student t，skew Student t，Gumbell和广义极值分布。

请让我知道我错过了什么。谢谢！

Answer 1

我创建了一个基于Lambert和Lindsey的旧包 stable 的新包，但它并没有真正起作用。但是它使用特征函数的FFT并且在C中具有核心代码。我打磨它并在它周围写了一些包装器。所以密度和概率是基于那个，然后在我的包中，随机抽取和分位数来自 stabledist 包，因为它们的工作速度足够快。

因此它提供了更快的 fBasics :: stableFit 替代品，与它们相比精度损失最小，速度提高了约140倍。它可用here。我很快就会完成它。

与此同时：数据集：

require(tawny)
data("sp500.subset")
rnorm<-rnorm(200)
rt<-rt(200,4)
cauch<-rcauchy(200)
testingData<-matrix(cbind(rnorm,rt,cauch,as.matrix(sp500.subset,nrow=200)),nrow=200)

这些是我的系数与 fBasics 的系数的差异。您可以看到，只有beta估计与 fBasics :: stableFit 之间存在很大差异（beta介于 - 1和1）但它确实没有很大的影响。我也会尝试挖掘一些文献。

这是具有16个最大β差异的系列的密度。蓝色是我的密度使用和红色是 stabledist :: dstable 密度，fBasics用于MLE优化。圆圈基于fBasics优化的系数，而十字架是我的。

我也在depository中包含了测试脚本。最后但并非最不重要的是速度比较：

Answer 2

看起来我能够回答我自己的问题。问题是R花费了很长时间来完成mle2计算以及dstable函数的集成。对于其他发行版，对数似然结果花费不到10秒，但由于某种原因，它花了超过45分钟！为了稳定的分配。我决定让它在我做其他事情的时候让它运行并且在45-50分钟之后，我才知道这一点，它结束了。但是，我无法弄清楚为什么稳定分布需要特别长的时间来进行这种计算。无论如何，问题解决了。

稳定的分布对数似然和AIC值

2 个答案: