Kuyruk Bağımlılığı Katsayısının Tahmin Edilmesi – Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik

0 (312) 276 75 93 @ İletişim İçin Mail Gönderin bestessayhomework@gmail.com - 7/24 hizmet vermekteyiz... @@@ Süreli, online, quiz türü sınavlarda yardımcı olmuyoruz. Teklif etmeyin. - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı, Dış Ticaret ödev YAPTIRMA, Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

Kuyruk Bağımlılığı Katsayısının Tahmin Edilmesi – Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik

21 Aralık 2020  İstatistiksel Veri Analizi Moment tahmin edicisi Tahmin EDİCİLERDE ARANAN özellikler Tahmin Edicileri bulma Yöntemleri Tutarlı tahmin edici Yeterli istatistik 0
Kuyruk Bağımlılığı Katsayısının Tahmin Edilmesi Kuyruk bağımlılığı katsayısı, η, asimptotik bağımlılık veya asimptotik bağımsızlık arasında ve ikinci sınıfta pozitif ilişki, neredeyse bağımsızlık veya negatif ilişki arasında ayrım yapmak için en yararlı olduğu bulunmuştur. Bu, bu bölümün konusu olan η'yi tahmin etme problemini özellikle alakalı hale getirir. Tepe tahmincisi ve maksimum olabilirlik tahmincisi Varsayım (9.85), tek değişkenli T = min (Z1, Z2) değişkeninin − 1 / η indeksinde düzenli olarak değişen bir kuyruğa sahip olmasını gerektirir; burada Zj, − 1 / logFj (Xj) (standart Fre ́chet kenar boşlukları) veya 1 / {1 - Fj (Xj)} (standart Pareto kenar boşlukları). Bu nedenle, η ve dolayısıyla χ ̄ = 2η - 1, örneğin Bölüm 4-5'teki tek değişkenli tekniklerle T'nin kuyruk indeksi olarak tahmin edilebilir. Ayrıca, L (z) 'nin z → ∞ ve η 1'e eşit olarak yakınsamasına tabi olarak, bağımlılık parametresi χ'nin büyük z değerleri için T'nin ölçek parametresi olarak tahmin edilebileceğine dikkat edin, bu durumda L ( z) yaklaşık olarak sabittir ve χ'ye eşittir. Bağımsız gözlemlerin bir örneği verildiğinde (Xi1, Xi2), i = 1,. . . , n, Ledford ve Tawn (1996), verilerin yaklaşık standart Fre chet marjlarına sahip olacak şekilde dönüştürülmesini önermektedir. Zij = −1 / logFˆj (Xij), i = 1, ..., n, j = 1,2, Marjinal dağılım fonksiyonlarının Fgj tahminleri ile, tipik olarak ampirik marjinal dağılım fonksiyonları ile ve marjinal kuyruklar için aşırı değer tahmin edicileri dahil ederek. Alternatif olarak, Zij = 1 / {1 − Fˆj (Xij)} ile standart Pareto kenar boşluklarına dönüştürebiliriz. Herhangi bir durumda, Ti = min (Zi1, Zi2), i = 1, ..., n, yaklaşık olarak T gibi dağıtılmış bağımsız bir örnek oluşturur. Ti byT1'in sıra istatistiklerini, n · ··· ≤Tn, n olur.Ti'yi η'yi tahmin etmek için kullanabiliriz, örneğin Hill (1975) tahmincisi tarafından yapılır. veya yeterince yüksek bir eşiğin u üzerindeki T aşımlarının bir GP dağılımını takip ettiği varsayıldığı bir eşik üstü tepe ayarında maksimum olasılık tahmincisi tarafından P [T> u + z | T> u] = (1 + ηz / σ) −1 / η, 0≤z F1 ← (1 - k / n), X2'nin ampirik karşılığı olarak görülebileceğine dikkat edin. > F2 ← (1 - k / n)]. (9.92) 'nin her iki tarafında s = 2 ile logaritma almak, oldukça doğal bir şekilde Peng (1999) tarafından önerilen tahmin ediciye götürür. (9.92) 'nin her iki tarafını 0'dan 1'e kadar s'ye göre entegre etmek tahmin ediciye Draisma ve ark. (2004). Ηˆ1'in Sn (k) ve Sn (2k) 'ye dayandığına ve ηˆ2'nin sadece k'ye kadar j için Sn (j)' den inşa edildiğine dikkat edin. Peng (1999) ve Draisma ve ark. (2004) 0 x2z] 'nin sınırlayıcı davranışı üzerine belirli ikinci dereceden koşullar altında tahmin edicilerinin asimptotik normalliğini kurarlar. Peng'in (1999) ikinci dereceden koşulları, (9.85) 'de yavaş değişen L (z) fonksiyonunun z → ∞ olarak sıfıra yakınsamasını yasaklar, böylece asimptotik bağımsızlık hipotezi (χ = 0) η

Kuyruk Bağımlılığı Katsayısının Tahmin Edilmesi

Kuyruk bağımlılığı katsayısı, η, asimptotik bağımlılık veya asimptotik bağımsızlık arasında ve ikinci sınıfta pozitif ilişki, neredeyse bağımsızlık veya negatif ilişki arasında ayrım yapmak için en yararlı olduğu bulunmuştur. Bu, bu bölümün konusu olan η’yi tahmin etme problemini özellikle alakalı hale getirir.

Tepe tahmincisi ve maksimum olabilirlik tahmincisi

Varsayım (9.85), tek değişkenli T = min (Z1, Z2) değişkeninin − 1 / η indeksinde düzenli olarak değişen bir kuyruğa sahip olmasını gerektirir; burada Zj, − 1 / logFj (Xj) (standart Fre ́chet kenar boşlukları) veya 1 / {1 – Fj (Xj)} (standart Pareto kenar boşlukları). Bu nedenle, η ve dolayısıyla χ ̄ = 2η – 1, örneğin Bölüm 4-5’teki tek değişkenli tekniklerle T’nin kuyruk indeksi olarak tahmin edilebilir.

Ayrıca, L (z) ‘nin z → ∞ ve η 1’e eşit olarak yakınsamasına tabi olarak, bağımlılık parametresi χ’nin büyük z değerleri için T’nin ölçek parametresi olarak tahmin edilebileceğine dikkat edin, bu durumda L ( z) yaklaşık olarak sabittir ve χ’ye eşittir.

Bağımsız gözlemlerin bir örneği verildiğinde (Xi1, Xi2), i = 1,. . . , n, Ledford ve Tawn (1996), verilerin yaklaşık standart Fre chet marjlarına sahip olacak şekilde dönüştürülmesini önermektedir.

  • Zij = −1 / logFˆj (Xij), i = 1, …, n, j = 1,2,

Marjinal dağılım fonksiyonlarının Fgj tahminleri ile, tipik olarak ampirik marjinal dağılım fonksiyonları ile ve marjinal kuyruklar için aşırı değer tahmin edicileri dahil ederek. Alternatif olarak, Zij = 1 / {1 − Fˆj (Xij)} ile standart Pareto kenar boşluklarına dönüştürebiliriz.

Herhangi bir durumda, Ti = min (Zi1, Zi2), i = 1, …, n, yaklaşık olarak T gibi dağıtılmış bağımsız bir örnek oluşturur. Ti byT1’in sıra istatistiklerini, n · ··· ≤Tn, n olur.Ti’yi η’yi tahmin etmek için kullanabiliriz, örneğin Hill (1975) tahmincisi tarafından yapılır.

veya yeterince yüksek bir eşiğin u üzerindeki T aşımlarının bir GP dağılımını takip ettiği varsayıldığı bir eşik üstü tepe ayarında maksimum olasılık tahmincisi tarafından

  • P [T> u + z | T> u] = (1 + ηz / σ) −1 / η, 0≤z <∞, (9,91) olur.

Şekil parametresi 0 <η ≤ 1 ve ölçek parametresi σ = σ (u)> 0. Model (9.91) altında, Ledford ve Tawn (1996), alternatif 0 <η <1’e karşı η = 1’i test ederek asemptotik bağımsızlığı (χ = 0) test etmeyi önermektedir. Daha önce belirtildiği gibi, model altında (9.85 ), hipotez η = 1 asimptotik bağımlılıkla ima edilir, ancak buna eşdeğer değildir.

Ancak, η = 1 ve z → ∞ olarak L (z) → 0 özel durumunun yalnızca teorik değere sahip olma eğiliminde olduğuna dikkat edin, bu nedenle pratikte η = 1’in asimptotik bağımlılığa eşdeğer olduğunu varsaymak güvenlidir. Öyleyse, belirli bir u eşiği için (9.91) için L1 maksimize edilmiş olasılık ve L0, η = 1 kısıtlaması altında karşılık gelen maksimize edilmiş olasılık olsun.

Sıfır hipotezi, parametre uzayının bir sınır değerine karşılık geldiğinden, olasılık oranı istatistiği D = 2 (log L1 – log L0), bir serbestlik derecesine sahip yarım ki-kare dağılımı ile karşılaştırılmalıdır (Self ve Liang 1987 ), sonuçta p değeri P [χ2> D] / 2 olur.

Yine de, gerçek tahmin belirsizliğinin, Ti’nin bağımsız olduğunu, her bir marjinal dağılımın tam olarak tahmin edildiğini ve modelin (9.85) parametrik belirtimi doğrudur.

Tutarlı tahmin edici
Yansız tahmin edici
Moment tahmin edicisi
En çok OLABİLİRLİK tahmin edicisi
Yeterli istatistik
Parametre tahmin yöntemleri
Tahmin Edicileri bulma Yöntemleri
Tahmin EDİCİLERDE ARANAN özellikler

Tahmin ediciler Peng (1999) ve Draisma ve ark. (2002)

Örneğin yukarıdaki prosedürde hesaba katılmayan olası marjinal dönüşümlerin getirdiği belirsizliğin bir sonucu olarak η tahminlerindeki gerçek belirsizliğin azımsanmasını önlemek için, Peng (1999) ve Draisma ve ark. (2004), marjinal dağılımlara bağlı olmayan bazı parametrik olmayan alternatifler aracılığıyla (9.85) ‘de η’nın tahmin edilmesini önermektedir.
Standart için formüle edilmiş varsayım (9.85) ParetoZj = 1 / {1 − Fj (Xj)} olur.

s> 0 için hem Peng (1999) hem de Draisma ve ark. (2004), bu sınırlayıcı ilişki, orijinal gözlemlerin (Xi1, Xi2), i = 1, ampirik dağılım fonksiyonuna dayanarak η için parametrik olmayan bir tahminci oluşturmak için kullanılır. . . , n. X (i, n) ile j. Koordinat örneğinin (Xij) ni = 1 (j = 1, 2) i.

k = 0 için. . . , n – 1. Sn (k) ‘nin verilere yalnızca sıraları üzerinden bağlı olduğuna ve Sn (k) / n’nin P [X1> F1 ← (1 – k / n), X2’nin ampirik karşılığı olarak görülebileceğine dikkat edin. > F2 ← (1 – k / n)].

(9.92) ‘nin her iki tarafında s = 2 ile logaritma almak, oldukça doğal bir şekilde Peng (1999) tarafından önerilen tahmin ediciye götürür. (9.92) ‘nin her iki tarafını 0’dan 1’e kadar s’ye göre entegre etmek tahmin ediciye Draisma ve ark. (2004). Ηˆ1’in Sn (k) ve Sn (2k) ‘ye dayandığına ve ηˆ2’nin sadece k’ye kadar j için Sn (j)’ den inşa edildiğine dikkat edin.

Peng (1999) ve Draisma ve ark. (2004) 0 <xj <∞ için z → ∞ için P [Z1> x1z, Z2> x2z] ‘nin sınırlayıcı davranışı üzerine belirli ikinci dereceden koşullar altında tahmin edicilerinin asimptotik normalliğini kurarlar. Peng’in (1999) ikinci dereceden koşulları, (9.85) ‘de yavaş değişen L (z) fonksiyonunun z → ∞ olarak sıfıra yakınsamasını yasaklar, böylece asimptotik bağımsızlık hipotezi (χ = 0) η <1’e eşittir. Bir dezavantaj, iki değişkenli normal (Örnek 9.3) gibi dağılımların hariç tutulmasıdır. Draisma ve diğerleri tarafından ikinci dereceden koşullar. (2004), z → ∞ olarak L (z) → 0’a izin verdikleri için daha az kısıtlayıcıdır.

Draisma vd. (2004), yalnızca tahmin edicileri η est2 (9.95) için değil, aynı zamanda Peng (1999) tarafından ηˆ1 (9.94), Hill tahmincisi ηˆ3 (9.90) ve (9.91) ‘den kaynaklanan maksimum olasılık tahmincisi ηˆ4 için de asimptotik normalliği kanıtlamaktadır. eşik u = Tn − k, n. Verileri standart Pareto marjlarına dönüştürürler.

Zij’in yalnızca sıralamalar aracılığıyla orijinal Xij verilerine bağlı olduğunu gözlemleyin. Draisma vd. (2004), k = kn için belirli büyüme koşulları altında, standartlaştırılmış tahmin ediciler {Sn (k)} 1/2 (ηˆi – η) (i = 1, 2) ve k1 / 2 (ηˆi – η) (i = 3, 4) ortalama 0 ve bazı asimptotik varyanslar σi2 (i = 1,.., 4) ile asimptotik olarak normaldir.

Σi için ifadeler oldukça karmaşıktır, ancak Draisma ve ark. (2004) onları Zij’den de tahmin etmenin bir yolunu önerir. Bu tür tahminler σˆi ile ifade edildiğinde, η için asimptotik güven aralıkları kolayca oluşturulabilir ve η = 1 alternatif η <1’e karşı test edilebilir.

Örneğin, σˆ (i) tahmin edilen kök varyanslarını {Sn (k, k)} – 1 / 2σˆi (i = 1, 2) ve k − 1 / 2σˆi (i = 3, 4) ile ifade edersekη = 1, wecanrejectη = 1infavourofη <1ifηˆi ≤1 − zασˆ (i), withzα ile standart normal dağılımın (1 – α) -kuantilidir.

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir