Question

如何使用JAVA / Android估算/拟合指数修正高斯分布（exGaussian）的参数？

我需要像伪代码一样：

    // some observed data points
    double dataPoints[] = {200,300,400,278,366,466,325,335,322,332};

    // ex-gaussian distribution
    ExponentiallyModifiedGaussianDistribution exGaussian = new ExponentiallyModifiedGaussianDistribution();

    // MLE
    MaximumLikelihoodEstimation MLE = new MaximumLikelihoodEstimation(dataPoints, exGaussian);
    MLE.setGuess(3.0, 1.0, 1.0);
    MLE.compute();

    // get estimated / fitted parameters
    double[] parameterEstimates = MLE.getEstimates();

有一些示例演示了 Gamma Distribution 的参数估算。但是这个lib似乎不是开源的。

我在JAVA中找到ex-gaussian distribution implementation。但缺少参数估计。

我认为有很多方法可以估算参数，例如使用最大似然估计（MLE）等。

更新1：

我会避免使用less than 40 dataPoints。

更新2：

估算分布参数的一种简单方法是矩估计方法（described on wiki）

Answer 1

也许你可以在stats.stackexchange.com上找到更好的答案。

但我认为您可以创建一个进行时刻匹配的优化算法。基本上你需要最小化样本数据和理论分布之间的第一个时刻（平均值），第二个时刻（方差），第三个时刻（偏度）等的差异。

您可以将目标函数视为时刻的总和或乘积。您还可以使用不同的权重（平均值可以获得更高的权重）。

您可以尝试获取目标函数的导数以使用梯度下降法（使用Mathematica或Sage数学），或甚至使用有限差分法以数值方式计算导数。这种方法被大量用于估计回归，逻辑回归和人工神经网络的参数。

你也可以使用元启发式算法（遗传，禁忌搜索等）。

Answer 2

估算分布参数的一种简单方法是矩量法（described on wiki）。

实现：

    // some observed data points
    double dataPoints[] = {0.464,0.443,0.424,0.386,0.367,0.382,0.455,0.410,0.411,0.424,0.338,0.355,0.342,0.324,
            0.354,0.322,0.364,0.375,1.085,0.575,0.597,0.464,0.414,0.408,1.156,0.819,1.156,1.024,1.152,1.103,
            0.431,0.378,0.358,0.382,0.354,0.435,0.386,0.361,0.397,0.362,0.334,0.357,0.344,0.362,0.317,0.331,
            0.199,0.351,0.284,0.343,0.354,0.336,0.280,0.312,0.778,0.723,0.755,0.774,0.759,0.762,0.490,0.400,
            0.364,0.439,0.441,0.673};

    DescriptiveStatistics maths = new DescriptiveStatistics(dataPoints);
    double sampleMean = maths.getMean();
    double sampleStdDev = maths.getStandardDeviation();
    double sampleSkev = (Math.abs(sampleMean - maths.getPercentile(50)) / sampleStdDev);

    // parameter estimation using method of moments ex-gaussian distribution
    double mean = sampleMean - sampleStdDev * Math.pow(sampleSkev/2., 1./3) ;
    double stdDev = Math.sqrt(sampleStdDev*(1 - Math.pow(sampleSkev/2., 2./3)));
    double tau = sampleStdDev * (Math.pow(sampleSkev/2., 1./3));
    double lambda = 1 / tau;

    ExponentiallyModifiedGaussianDistribution exGaussian = new ExponentiallyModifiedGaussianDistribution(mean, stdDev, lambda);
    System.out.println(sampleStdDev);
    System.out.println(exGaussian.getStddev());

Gradle Dependencies：

编组：'de.lmu.ifi.dbs.elki'，名称：'elki'，版本：'0.7.1'

编译组：'org.apache.commons'，名称：'commons-math3'，版本：   '3.6'

Answer 3

ELKI包含用于分发的各种估算器（请注意，对于某些分布，我们有多种估算技术;对于某些我们还没有任何估算技术，请贡献）：

<div id="myCarousel" class="carousel slide">
 <!-- Carousel items -->
 <div class="carousel-inner">
 <?php 
  $my_query = new WP_Query('posts_per_page=3');
  while ($my_query->have_posts()) : $my_query->the_post();
  $do_not_duplicate = $post->ID;?>
   <!-- The 1st Loop... -->
   <div class="active item well-blue">
     <div class="offset1">              
     <h3><?php the_title(); ?></h3>
     <p class="lead"><?php $excerpt = strip_tags(get_the_excerpt()); echo $excerpt; ?></p>
     <a href="<?php the_permalink() ?>" class="btn" rel="bookmark" title="Permanent Link to <?php the_title_attribute(); ?>">Read more...</a>
   </div> 
 </div>
    <?php endwhile; wp_reset_query(); ?> <?php
      // The 2nd Loop limits the query to 2 more posts...
    $limit_query = new WP_Query('posts_per_page=3');
  while ($limit_query->have_posts()) :$limit_query->the_post();$do_not_duplicate = $post->ID;?>
<!-- The 2nd Loop same data as 1st loop -->
<div class="item well-blue">
     <div class="offset1">              
     <h3><?php the_title(); ?></h3>
     <p class="lead"><?php $excerpt = strip_tags(get_the_excerpt()); echo $excerpt; ?></p>
     <a href="<?php the_permalink() ?>" class="btn" rel="bookmark" title="Permanent Link to <?php the_title_attribute(); ?>">Read more...</a>
   </div> 
 </div>
<?php endwhile;  wp_reset_query(); ?>
  </div>
  <!-- Carousel nav -->
  <a class="carousel-control left" href="#myCarousel" data-slide="prev">&lsaquo;</a>
  <a class="carousel-control right" href="#myCarousel" data-slide="next">&rsaquo;</a>

将产生ExGaussian分布：

ExponentiallyModifiedGaussianDistribution dist = 
    EMGOlivierNorbergEstimator.STATIC.estimate(dataPoints, DoubleArrayAdapter.STATIC);

你也可以尝试最合适的估计。

> ExGaussianDistribution(mean=0.2675761092764285, stddev=0.07999178722695827,
      lambda=4.4179732613344)

表示移位的Log-Normal可能更适合您的数据（但是，EMG在理论上可能更适合您的问题 - 移位的对数法线总是有点奇怪）。

Distribution dist = BestFitEstimator.STATIC.estimate(dataPoints, DoubleArrayAdapter.STATIC);

估算/拟合Android中的exGaussian分布数据

3 个答案: