normlike

Нормальная отрицательная логарифмическая правдоподобность

Описание

пример

nlogL = normlike(params,x) возвращает нормальную отрицательную логарифмическую правдоподобность параметров распределения (params) с учетом выборочных данных (x). params(1) и params(2) соответствуют среднему и стандартному отклонениям нормального распределения, соответственно.

пример

nlogL = normlike(params,x,censoring) определяет, будет ли каждое значение в x имеет прямую цензуру или нет. Используйте логический вектор censoring в котором 1 указывает наблюдения, которые подвергаются цензуре вправо, а 0 указывает на наблюдения, которые полностью наблюдаются.

nlogL = normlike(params,x,censoring,freq) задает частоту или веса наблюдений. Чтобы задать freq без указания censoring, можно пройти [] для censoring.

пример

[nlogL,aVar] = normlike(___) также возвращает обратную матрицу информации Фишера aVar, использование любой комбинации входных аргументов в предыдущих синтаксисах. Если значения в params являются максимальными оценками правдоподобия (MLE) параметров, aVar является приближением к асимптотической ковариационной матрице.

Примеры

свернуть все

Найдите MLE набора данных с цензурой при помощи normfit, а затем найти отрицательную логарифмическую правдоподобность MLE при помощи normlike.

Загрузите выборочные данные.

load lightbulb

Первый столбец данных содержит время жизни (в часах) двух типов лампочек. Второй столбец содержит двоичную переменную, указывающую, является ли луковица флуоресцентной или раскаленной. 1 указывает, что лампочка является флуоресцентной, а 0 указывает, что лампочка является раскаленной. Третий столбец содержит цензурную информацию, где 0 указывает, что лампочка наблюдается до отказа, а 1 указывает, что элемент (лампочка) подвергается цензуре.

Найдите индексы для флуоресцентных лампочек.

idx = find(lightbulb(:,2) == 0);

Найдите MLE нормальных параметров распределения. Второй входной параметр normfit задает уровень доверия. Проходите [] использовать его значение по умолчанию 0.05. Третий входной параметр задает цензурную информацию.

censoring = lightbulb(idx,3) == 1;
[muHat,sigmaHat] = normfit(lightbulb(idx,1),[],censoring)
muHat = 9.4966e+03
sigmaHat = 3.0640e+03

Найдите отрицательную логарифмическую правдоподобность MLE.

nlogL = normlike([muHat,sigmaHat],lightbulb(idx,1),censoring)
nlogL = 376.2305

Функция normfit находит среднее значение выборки и квадратный корень объективной оценки отклонения без цензуры. Среднее значение выборки равно MLE среднего параметра, но квадратный корень объективной оценки дисперсии не равен MLE стандартного параметра отклонения.

Найдите нормальные параметры распределения при помощи normfit, преобразовать их в MLE, а затем сравнить отрицательные журналы вероятности оценок с помощью normlike.

Сгенерируйте 100 нормальных случайных чисел из стандартного нормального распределения.

rng('default') % For reproducibility
n = 100;
x = normrnd(0,1,[n,1]);

Найдите среднее значение выборки и квадратный корень объективной оценки отклонения.

[muHat,sigmaHat] = normfit(x)
muHat = 0.1231
sigmaHat = 1.1624

Преобразуйте квадратный корень объективной оценки дисперсии в MLE стандартного параметра отклонения.

sigmaHat_MLE = sqrt((n-1)/n)*sigmaHat
sigmaHat_MLE = 1.1566

Переменное различие между sigmaHat и sigmaHat_MLE незначителен для больших n.

Также можно найти MLE при помощи функции mle.

phat = mle(x)
phat = 1×2

    0.1231    1.1566

phat(1) и phat(2) являются MLE среднего и стандартного параметров отклонения, соответственно.

Подтвердите, что журнал вероятность MLE (muHat и sigmaHat_MLE) больше, чем журнал вероятность объективных оценок (muHat и sigmaHat) при помощи normlike функция.

logL = -normlike([muHat,sigmaHat],x)
logL = -156.4424
logL_MLE = -normlike([muHat,sigmaHat_MLE],x)
logL_MLE = -156.4399

Найдите максимальные оценки правдоподобия (MLE) параметров нормального распределения, а затем найдите доверительный интервал соответствующего обратного значения cdf.

Сгенерируйте 1000 нормальных случайных чисел из нормального распределения со средним 5 и стандартным отклонением 2.

rng('default') % For reproducibility
n = 1000; % Number of samples
x = normrnd(5,2,[n,1]);

Найдите MLE для параметров распределения (среднее и стандартное отклонение) при помощи mle.

phat = mle(x)
phat = 1×2

    4.9347    1.9969

muHat = phat(1);
sigmaHat = phat(2);

Оцените ковариацию параметров распределения при помощи normlike. Функция normlike возвращает приближение к асимптотической ковариационной матрице, если вы передаете MLE и выборки, используемые для оценки MLE.

[~,pCov] = normlike([muHat,sigmaHat],x)
pCov = 2×2

    0.0040   -0.0000
   -0.0000    0.0020

Найдите обратное значение cdf в 0,5 и его 99% доверительный интервал.

[x,xLo,xUp] = norminv(0.5,muHat,sigmaHat,pCov,0.01)
x = 4.9347
xLo = 4.7721
xUp = 5.0974

x - обратное значение cdf, использующее нормальное распределение с параметрами muHat и sigmaHat. Интервал [xLo,xUp] - 99% доверительный интервал обратного значения cdf, оцененный в 0,5 с учетом неопределенности muHat и sigmaHat использование pCov. 99% доверительный интервал означает вероятность того, что [xLo,xUp] содержит истинное обратное значение cdf 0,99.

Входные параметры

свернуть все

Нормальные параметры распределения, состоящие из среднего и стандартного отклонения, заданные как вектор двух числовых значений. params(1) и params(2) соответствуют среднему и стандартному отклонениям нормального распределения, соответственно. params(2) должен быть положительным.

Пример: [0,1]

Типы данных: single | double

Выборочные данные, заданная как вектор.

Типы данных: single | double

Показатель цензуры каждого значения в x, заданный как логический вектор того же размера, что и x. Используйте 1 для наблюдений, которые подвергаются цензуре вправо, и 0 для наблюдений, которые полностью наблюдаются.

По умолчанию это массив 0 с, что означает, что все наблюдения полностью наблюдаются.

Типы данных: logical

Частота или веса наблюдений, заданные как неотрицательный вектор, такой же размер как x. The freq входной параметр обычно содержит неотрицательное целое число для соответствующих элементов в x, но может содержать любые неотрицательные значения.

Чтобы получить взвешенную отрицательную логарифмическую правдоподобность для набора данных с цензурой, задайте веса наблюдений, нормированных к количеству наблюдений в x.

По умолчанию это массив 1с, что означает одно наблюдение на элемент x.

Типы данных: single | double

Выходные аргументы

свернуть все

Отрицательное значение логарифмической правдоподобности параметров распределения (params) с учетом выборочных данных (x), возвращенный как числовой скаляр.

Обратная информационная матрица Фишера, возвращенная как числовая матрица 2 на 2. aVar основан на наблюдаемой информации Фишера, учитывая наблюдаемые данные (x), а не ожидаемая информация.

Если значения в params являются MLE параметров, aVar является приближением к асимптотической дисперсионно-ковариационной матрице (также известной как асимптотическая ковариационная матрица). Чтобы найти MLE, используйте mle.

Альтернативная функциональность

normlike является функцией, характерной для нормального распределения. Statistics and Machine Learning Toolbox™ также предлагает общие функции mlecov, fitdist, negloglik, и proflik и приложение Distribution Fitter, которое поддерживает различные распределения вероятностей.

  • mlecov возвращает асимптотическую ковариационную матрицу MLE параметров для распределения, заданного пользовательской функцией плотности вероятностей. Для примера, mlecov(params,x,'pdf',@normpdf) возвращает асимптотическую ковариационную матрицу MLE для нормального распределения.

  • Создайте NormalDistribution объект распределения вероятностей путем подгонки распределения к данным с помощью fitdist function или Distribution Fitter приложения. Свойство объекта ParameterCovariance сохраняет ковариационную матрицу оценок параметров. Чтобы получить отрицательную логарифмическую правдоподобность оценок параметра и профиля функции правдоподобия, передайте объект в negloglik и proflik, соответственно.

Ссылки

[1] Эванс, М., Н. Гастингс и Б. Пикок. Статистические распределения. 2nd ed. Hoboken, NJ: John Wiley & Sons, Inc., 1993.

[2] Lawless, J. F. Статистические модели и методы для пожизненных данных. Hoboken, NJ: Wiley-Interscience, 1982.

[3] Микер, У. К. и Л. А. Эскобар. Статистические методы для данных о надежности. Hoboken, NJ: John Wiley & Sons, Inc., 1998.

Расширенные возможности

Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте