Question

我一直在使用 fBasics 软件包分别使用 fitStable 函数来使某些系列更加通用，稳定分布。

McCulloh提出了两种方法 - 分位数方法 然后是 MLE 方法。

该功能提供了两种功能，但MLE方法确实非常慢，有时甚至无法计算 - 并产生 NA 。

它使用 nlminb 来最大化似然函数（认为它最小化了 - 可能性乐趣）。

但即使它在很长一段时间后完成，对标准法线的1000个观测值的估计（它应该给出(2,0,1,0)的值）它给出了：

Estimated Parameter(s):
     alpha       beta      gamma      delta 
1.99990000 0.22448469 0.71247528 0.02995476

我希望，至少 beta 更接近于零。

有没有人有经验可以分享？

任何想法，如何加快速度？

Answer 1

我尝试了20次100次（而不是1000次）。有很多贝塔接近零（如预期的那样），但有些接近-1。 gammas也相当一致。经过的时间是10分钟。

library(fBasics)
set.seed(100)
x <- rnorm(1000)
a <- vector(,20)
b <- vector(,20)
c <- vector(,20)
d <- vector(,20)

system.time(
for(i in 1:20){
    samp <- sample(x, size = 100, replace = T)
    v <- stableFit(samp, type='mle')
    a[i] <- (v@fit)$estimate[1]
    b[i] <- (v@fit)$estimate[2]
    c[i] <- (v@fit)$estimate[3]
    d[i] <- (v@fit)$estimate[4]
}
)

系统时间：
用户系统已过 598.67 1.49 602.80

1.8070,1.9999,1.9999,1.9140,1.9999,1.9999,1.999,1.9999,1.9999,1.8967,1.9999,1.9999,1.9999,1.9999,1.9999,1.9999,19999,11.9999,1.9999,1.8166

-0.9999,0.1247,0.0070，-0.9999,0.0026,0.0177,0.0083 0.0409,0.0179,0.3062,0.8251，-0.0769,0.0071，-0.7928，-0.9225，-0.0147，-0.7459，-0.0191,0.0016，-0.9999

0.7121,0.7337,0.7654,0.7287,0.8393,0.6441,0.77475,0.7113,0.7204,0.6475,0.7065,0.7408,0.7269,0.7191,0.6643,0.6824,0.6815,0.7642,0.7970,0.6347

0.1576,0.1092，-0.0115,0.0196,0.2325,0.1222,0.2546，-0.0610,0.0873,0.0438 -0.0120，-0.1266,0.1631,0.1443，-0.0793，-0.1651,0.1649,0.0891，-0.0043,0.1259

fBasics :: fitStable怀疑地工作

1 个答案: