Ich habe eine Situation, in der ich (die ersten) Momente eines Datensatzes schätzen kann und daraus eine Schätzung der Dichtefunktion erstellen möchte.
Ich bin bereits auf die Pearson-Distribution gestoßen , habe jedoch festgestellt, dass sie nur auf den ersten vier Momenten beruht (mit einigen Einschränkungen hinsichtlich der möglichen Kombinationen von Momenten).
Ich verstehe auch, dass eine endliche Menge von Momenten nicht ausreicht, um eine bestimmte Verteilung zu "bestimmen", wenn nicht mehr Annahmen verwendet werden. Ich möchte jedoch immer noch eine allgemeinere Klasse von Distributionen (außer der Pearson-Distributionsfamilie). Bei anderen Fragen konnte ich keine solche Verteilung finden (siehe: hier , hier , hier , hier , hier und hier ).
Gibt es eine ("einfache") verallgemeinerte Verteilungsfamilie, die für jede Menge von Momenten definiert werden kann? (Vielleicht eine Reihe von Transformationen, die eine Standardnormalverteilung annehmen und transformieren können, bis sie mit allen Momenten bestätigt sind.)k
(Es ist mir egal, ob wir annehmen, dass die anderen Momente 0 sind oder nicht)
Vielen Dank.
ps: Ich würde mich über ein erweitertes Beispiel freuen. Vorzugsweise mit einem R-Code-Beispiel.
quelle
Antworten:
Methode 1: Pearson-Systeme höherer Ordnung
Das Pearson-System wird konventionell als die Familie der Lösungen der Differentialgleichung angesehen:p ( x )
was die Lösung ergibt:
Ich habe dies vor einiger Zeit zum Spaß gelöst (mit dem gleichen Gedankengang wie das OP): Die Ableitung und Lösung finden Sie in Kapitel 5 unseres Buches; Bei Interesse steht hier ein kostenloser Download zur Verfügung:
http://www.mathstatica.com/book/bookcontents.html
Beachten Sie, dass die Pearson-Familie zweiter Ordnung (quadratisch) in Form der ersten 4 Momente ausgedrückt werden kann, während die Pearson-Familie dritter Ordnung (kubisch) die ersten 6 Momente benötigt.
Methode 2: Gram-Charlier-Erweiterungen
Bevölkerungsmomente oder Beispielmomente?
Für das Pearson-System: Wenn die Momente der Bevölkerung bekannt sind, sollte die Verwendung höherer Momente eindeutig zu einer besseren Anpassung führen. Wenn es sich bei den beobachteten Daten jedoch um eine Zufallsstichprobe aus der Population handelt, besteht ein Kompromiss: Ein Polynom höherer Ordnung impliziert, dass Momente höherer Ordnung erforderlich sind, und die Schätzungen des letzteren können unzuverlässig sein (hohe Varianz aufweisen). es sei denn, die Stichprobengröße ist "groß". Mit anderen Worten, bei gegebenen Probendaten kann die Anpassung mit höheren Momenten "instabil" werden und zu schlechteren Ergebnissen führen. Gleiches gilt für Gram-Charlier-Erweiterungen: Das Hinzufügen eines zusätzlichen Begriffs kann tatsächlich zu einer schlechteren Anpassung führen, sodass einige Sorgfalt erforderlich ist.
quelle