Erreurs standard des estimations de distribution hyperbolique utilisant la méthode delta?

Dans la solution suivante, je suppose hyperbPiêtre . De plus, les variances utilisées dans les approximations ci-dessous sont simplement les erreurs standard au carré calculées par après , donc . Pour calculer l'approximation à l'aide de la méthode delta , nous avons besoin des dérivées partielles de la fonction de transformation s et . Les fonctions de transformation pour et sont données par: $\pi$ summaryhyperbFit $\mathrm{Var}(X)=\mathrm{SE}(X)^2$ $g_{\alpha}(\zeta, \pi, \delta)$ $g_{\beta}(\zeta, \pi, \delta)$ $\alpha$ $\beta$

\begin{aligned} g_{α} (ζ, π, δ) & = \frac{ζ \sqrt{1 + π^{2}}}{δ} \\ g_{β} (ζ, π, δ) & = \frac{ζ π}{δ} \end{aligned}

$\begin{align} g_{\alpha}(\zeta, \pi, \delta) &=\frac{\zeta\sqrt{1 + \pi^{2}}}{\delta}\\ g_{\beta}(\zeta, \pi, \delta) &= \frac{\zeta\pi}{\delta}\\ \end{align}$ Les dérivées partielles de la fonction de transformation pour sont alors: Les dérivées partielles de la fonction de transformation pour sont:

α

$\alpha$

\begin{aligned} \frac{\partial}{\partial ζ} g_{α} (ζ, π, δ) & = \frac{\sqrt{1 + π^{2}}}{δ} \\ \frac{\partial}{\partial π} g_{α} (ζ, π, δ) & = \frac{π ζ}{\sqrt{1 + π^{2}} δ} \\ \frac{\partial}{\partial δ} g_{α} (ζ, π, δ) & = - \frac{\sqrt{1 + π^{2}} ζ}{δ^{2}} \end{aligned}

$\begin{align} \frac{\partial}{\partial \zeta} g_{\alpha}(\zeta, \pi, \delta) &=\frac{\sqrt{1+\pi^{2}}}{\delta}\\ \frac{\partial}{\partial \pi} g_{\alpha}(\zeta, \pi, \delta) &= \frac{\pi\zeta}{\sqrt{1+\pi^{2}}\delta }\\ \frac{\partial}{\partial \delta} g_{\alpha}(\zeta, \pi, \delta) &= -\frac{\sqrt{1+\pi^{2}}\zeta}{\delta^{2}}\\ \end{align}$

β

$\beta$

\begin{aligned} \frac{\partial}{\partial ζ} g_{β} (ζ, π, δ) & = \frac{π}{δ} \\ \frac{\partial}{\partial π} g_{β} (ζ, π, δ) & = \frac{ζ}{δ} \\ \frac{\partial}{\partial δ} g_{β} (ζ, π, δ) & = - \frac{π ζ}{δ^{2}} \end{aligned}

$\begin{align} \frac{\partial}{\partial \zeta} g_{\beta}(\zeta, \pi, \delta) &=\frac{\pi}{\delta}\\ \frac{\partial}{\partial \pi} g_{\beta}(\zeta, \pi, \delta) &= \frac{\zeta}{\delta }\\ \frac{\partial}{\partial \delta} g_{\beta}(\zeta, \pi, \delta) &= -\frac{\pi\zeta}{\delta^{2}}\\ \end{align}$

En appliquant la méthode delta aux transformations, nous obtenons l'approximation suivante pour la variance de (prendre des racines carrées pour obtenir les erreurs standard): La variance approximative de est: $\alpha$

V a r (α) \approx \frac{1 + π^{2}}{δ^{2}} \cdot V a r (ζ) + \frac{π^{2} ζ^{2}}{(1 + π^{2}) δ^{2}} \cdot V a r (π) + \frac{(1 + π^{2}) ζ^{2}}{δ^{4}} \cdot V a r (δ) + 2 \times [\frac{π ζ}{δ^{2}} \cdot C o v (π, ζ) - \frac{(1 + π^{2}) ζ}{δ^{3}} \cdot C o v (δ, ζ) - \frac{π ζ^{2}}{δ^{3}} \cdot C o v (δ, π)]

$\mathrm{Var}(\alpha)\approx \frac{1+\pi^{2}}{\delta^{2}}\cdot \mathrm{Var}(\zeta)+\frac{\pi^{2}\zeta^{2}}{(1+\pi^{2})\delta^{2}}\cdot \mathrm{Var}(\pi) + \frac{(1+\pi^{2})\zeta^{2}}{\delta^{4}}\cdot \mathrm{Var}(\delta) + \\ 2\times \left[ \frac{\pi\zeta}{\delta^{2}}\cdot \mathrm{Cov}(\pi,\zeta) - \frac{(1+\pi^{2})\zeta}{\delta^{3}}\cdot \mathrm{Cov}(\delta,\zeta)- \frac{\pi\zeta^{2}}{\delta^{3}}\cdot \mathrm{Cov}(\delta,\pi)\right]$

β

$\beta$

V a r (β) \approx \frac{π^{2}}{δ^{2}} \cdot V a r (ζ) + \frac{ζ^{2}}{δ^{2}} \cdot V a r (π) + \frac{π^{2} ζ^{2}}{δ^{4}} \cdot V a r (δ) + 2 \times [\frac{π ζ}{δ^{2}} \cdot C o v (π, ζ) - \frac{π^{2} ζ}{δ^{3}} \cdot C o v (δ, ζ) - \frac{π ζ^{2}}{δ^{3}} \cdot C o v (π, δ)]

$\mathrm{Var}(\beta)\approx \frac{\pi^{2}}{\delta^{2}}\cdot \mathrm{Var}(\zeta) + \frac{\zeta^{2}}{\delta^{2}}\cdot \mathrm{Var}(\pi) + \frac{\pi^{2}\zeta^{2}}{\delta^{4}}\cdot \mathrm{Var}(\delta) + \\ 2\times \left[ \frac{\pi\zeta}{\delta^{2}}\cdot \mathrm{Cov}(\pi,\zeta) - \frac{\pi^{2}\zeta}{\delta^{3}}\cdot \mathrm{Cov}(\delta, \zeta) - \frac{\pi\zeta^{2}}{\delta^{3}}\cdot \mathrm{Cov}(\pi, \delta) \right]$

Codage dans R

Le moyen le plus rapide pour calculer les approximations ci-dessus est d'utiliser des matrices. Notons le vecteur ligne contenant les dérivées partielles de la fonction de transformation pour ou par rapport à . De plus, notons la matrice variance-covariance de . La matrice de covariance peut être récupérée en tapant où est la fonction ajustée. L'approximation ci-dessus de la variance de est alors Il en va de même pour l'approximation de la variance de $D$ $\alpha$ $\beta$ $\zeta, \pi, \delta$ $\Sigma$ $3\times 3$ $\zeta, \pi, \delta$ vcov(my.hyperbFit)my.hyperbFit $\alpha$

V a r (α) \approx D_{α} Σ D_{α}^{⊤}

$\mathrm{Var}(\alpha)\approx D_{\alpha}\Sigma D_{\alpha}^\top$

β

$\beta$ .

Dans R, cela peut être facilement codé comme ceci:

#-----------------------------------------------------------------------------
# The row vector D of the partial derivatives for alpha
#-----------------------------------------------------------------------------

D.alpha <- matrix(
  c(
    sqrt(1+pi^2)/delta,                 # differentiate wrt zeta
    ((pi*zeta)/(sqrt(1+pi^2)*delta)),   # differentiate wrt pi
    -(sqrt(1+pi^2)*zeta)/(delta^2)      # differentiate wrt delta
  ),
  ncol=3)

#-----------------------------------------------------------------------------
# The row vector D of the partial derivatives for beta
#-----------------------------------------------------------------------------

D.beta <- matrix(
  c(
    (pi/delta),            # differentiate wrt zeta
    (zeta/delta),          # differentiate wrt pi
    -((pi*zeta)/delta^2)   # differentiate wrt delta
  ),
  ncol=3)

#-----------------------------------------------------------------------------
# Calculate the approximations of the variances for alpha and beta
# "sigma" denotes the 3x3 covariance matrix
#-----------------------------------------------------------------------------

var.alpha <- D.alpha %*% sigma %*% t(D.alpha) 
var.beta <- D.beta %*% sigma %*% t(D.beta)

#-----------------------------------------------------------------------------
# The standard errors are the square roots of the variances
#-----------------------------------------------------------------------------

se.alpha <- sqrt(var.alpha)
se.beta <- sqrt(var.beta)

Utilisation de et $\log(\zeta)$ $\log(\delta)$

Si les erreurs / écarts standard ne sont disponibles que pour et au lieu de et , les fonctions de transformation passent à : Les dérivées partielles de la fonction de transformation pour sont alors: $\zeta^{*}=\log(\zeta)$ $\delta^{*}=\log(\delta)$ $\zeta$ $\delta$

\begin{aligned} g_{α} (ζ^{*}, π, δ^{*}) & = \frac{\exp (ζ^{*}) \sqrt{1 + π^{2}}}{\exp (ζ^{*})} \\ g_{β} (ζ^{*}, π, δ^{*}) & = \frac{\exp (ζ^{*}) π}{\exp (δ^{*})} \end{aligned}

$\begin{align} g_{\alpha}(\zeta^{*}, \pi, \delta^{*}) &=\frac{\exp(\zeta^{*})\sqrt{1 + \pi^{2}}}{\exp(\zeta^{*})}\\ g_{\beta}(\zeta^{*}, \pi, \delta^{*}) &= \frac{\exp(\zeta^{*})\pi}{\exp(\delta^{*})}\\ \end{align}$

α

$\alpha$

\begin{aligned} \frac{\partial}{\partial ζ^{*}} g_{α} (ζ^{*}, π, δ^{*}) & = \sqrt{1 + π^{2}} \exp (- δ^{*} + ζ^{*}) \\ \frac{\partial}{\partial π} g_{α} (ζ^{*}, π, δ^{*}) & = \frac{π \exp (- δ^{*} + ζ^{*})}{\sqrt{1 + π^{2}}} \\ \frac{\partial}{\partial δ^{*}} g_{α} (ζ^{*}, π, δ^{*}) & = - \sqrt{1 + π^{2}} \exp (- δ^{*} + ζ^{*}) \end{aligned}

$\begin{align} \frac{\partial}{\partial \zeta^{*}} g_{\alpha}(\zeta^{*}, \pi, \delta^{*}) &=\sqrt{1+\pi^{2}}\exp(-\delta^{*}+\zeta^{*})\\ \frac{\partial}{\partial \pi} g_{\alpha}(\zeta^{*}, \pi, \delta^{*}) &=\frac{\pi\exp(-\delta^{*}+\zeta^{*})}{\sqrt{1+\pi^{2}}} \\ \frac{\partial}{\partial \delta^{*}} g_{\alpha}(\zeta^{*}, \pi, \delta^{*}) &=-\sqrt{1+\pi^{2}}\exp(-\delta^{*}+\zeta^{*})\\ \end{align}$ Les dérivées partielles de la fonction de transformation pour sont:

β

$\beta$

\begin{aligned} \frac{\partial}{\partial ζ^{*}} g_{β} (ζ^{*}, π, δ^{*}) & = π \exp (- δ^{*} + ζ^{*}) \\ \frac{\partial}{\partial π} g_{β} (ζ^{*}, π, δ^{*}) & = \exp (- δ^{*} + ζ^{*}) \\ \frac{\partial}{\partial δ^{*}} g_{β} (ζ^{*}, π, δ^{*}) & = - π \exp (- δ^{*} + ζ^{*}) \end{aligned}

$\begin{align} \frac{\partial}{\partial \zeta^{*}} g_{\beta}(\zeta^{*}, \pi, \delta^{*}) &=\pi\exp(-\delta^{*}+\zeta^{*})\\ \frac{\partial}{\partial \pi} g_{\beta}(\zeta^{*}, \pi, \delta^{*}) &=\exp(-\delta^{*}+\zeta^{*})\\ \frac{\partial}{\partial \delta^{*}} g_{\beta}(\zeta^{*}, \pi, \delta^{*}) &=-\pi\exp(-\delta^{*}+\zeta^{*})\\ \end{align}$ Application de la méthode delta à les transformations, on obtient l'approximation suivante pour la variance de :

α

$\alpha$

V a r (α) \approx (1 + π^{2}) \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot V a r (ζ^{*}) + \frac{π^{2} \exp (- 2 δ^{*} + 2 ζ^{*})}{1 + π^{2}} \cdot V a r (π) + (1 + π^{2}) \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot V a r (δ^{*}) + 2 \times [π \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (π, ζ^{*}) - (1 + π^{2}) \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (δ^{*}, ζ^{*}) - π \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (δ^{*}, π)]

$\mathrm{Var}(\alpha)\approx (1+\pi^{2})\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Var}(\zeta^{*})+\frac{\pi^{2}\exp(-2\delta^{*}+2\zeta^{*})}{1+\pi^{2}}\cdot \mathrm{Var}(\pi) + (1+\pi^{2})\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Var}(\delta^{*}) + \\ 2\times \left[ \pi\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Cov}(\pi,\zeta^{*}) - (1+\pi^{2})\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Cov}(\delta^{*},\zeta^{*}) - \pi\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Cov}(\delta^{*},\pi)\right]$ La variance approximative de est:

β

$\beta$

V a r (β) \approx π^{2} \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot V a r (ζ^{*}) + \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot V a r (π) + π^{2} \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot V a r (δ^{*}) + 2 \times [π \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (π, ζ^{*}) - π^{2} \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (δ^{*}, ζ^{*}) - π \exp (- 2 δ^{*} + 2 ζ^{*}) \cdot C o v (δ^{*}, π)]

$\mathrm{Var}(\beta)\approx \pi^{2}\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Var}(\zeta^{*})+\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Var}(\pi) + \pi^{2}\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Var}(\delta^{*}) + \\ 2\times \left[\pi\exp(-2\delta^{*}+2\zeta^{*}) \cdot \mathrm{Cov}(\pi,\zeta^{*}) -\pi^{2}\exp(-2\delta^{*}+2\zeta^{*})\cdot \mathrm{Cov}(\delta^{*},\zeta^{*}) -\pi\exp(-2\delta^{*}+2\zeta^{*}) \cdot \mathrm{Cov}(\delta^{*},\pi)\right]$

Codage en R2

Cette fois, sigmadénote la matrice de covariance mais incluant les variances et covariances pour et au lieu de et . $\zeta^{*}=\log(\zeta)$ $\delta^{*}=\log(\delta)$ $\zeta$ $\delta$

#-----------------------------------------------------------------------------
# The row vector D of the partial derivatives for alpha
#-----------------------------------------------------------------------------

D.alpha <- matrix(
  c(
    sqrt(1+pi^2)*exp(-ldelta + lzeta),            # differentiate wrt lzeta
    ((pi*exp(-ldelta + lzeta))/(sqrt(1+pi^2))),   # differentiate wrt pi
    (-sqrt(1+pi^2)*exp(-ldelta + lzeta))          # differentiate wrt ldelta
  ),
  ncol=3)

#-----------------------------------------------------------------------------
# The row vector D of the partial derivatives for beta
#-----------------------------------------------------------------------------

D.beta <- matrix(
  c(
    (pi*exp(-ldelta + lzeta)),    # differentiate wrt lzeta
    exp(-ldelta + lzeta),         # differentiate wrt pi
    (-pi*exp(-ldelta + lzeta))    # differentiate wrt ldelta
  ),
  ncol=3)

#-----------------------------------------------------------------------------
# Calculate the approximations of the variances for alpha and beta
# "sigma" denotes the 3x3 covariance matrix with log(delta) and log(zeta)
#-----------------------------------------------------------------------------

var.alpha <- D.alpha %*% sigma %*% t(D.alpha) 
var.beta <- D.beta %*% sigma %*% t(D.beta)

#-----------------------------------------------------------------------------
# The standard errors are the square roots of the variances
#-----------------------------------------------------------------------------

se.alpha <- sqrt(var.alpha)
se.beta <- sqrt(var.beta)

COOLSerdash
la source

@BenBohold Les termes entre parenthèses avant les termes de covariance sont les produits des dérivées partielles respectives des fonctions de transformation. Par exemple: Le terme avant est le produit de la dérivée partielle wrt multipliée par la dérivée partielle wrt . Dans le cas de ce serait: .

C o v (π, ζ)

$\mathrm{Cov}(\pi, \zeta)$

π

$\pi$

ζ

$\zeta$

β

$\beta$

ζ / δ \times π / δ = (ζ \cdot π) / δ^{2}

$\zeta/\delta \times \pi/\delta = (\zeta\cdot\pi)/\delta^{2}$

COOLSerdash

@BenBohold Strange, mais pas de problème. Essayez de calculer la matrice de covariance de cette façon: varcov <- solve(hyperbfitalv$hessian). Est-ce que ça marche? Après cela, vous devrez sélectionner la sous-matrice contenant uniquement . La façon la plus simple dont je pourrais vous aider serait de fournir un exemple pleinement fonctionnel avec des données (vous n'avez pas à fournir toutes vos données).

π, ζ, δ

$\pi, \zeta, \delta$

COOLSerdash

Un grand merci pour votre réponse, mais c'est EXACTEMENT le problème, car le paramétrage de cette toile de jute est pour log (delta) et log (zeta) et non pour delta et zeta! Voir mes articles de suivi: stats.stackexchange.com/questions/67595/… et surtout la réponse de CT Zhu ici stats.stackexchange.com/questions/67602/…

Jen Bohold

il faut obtenir la toile de jute de pi, log (zêta), log (delta) et mu dans la toile de jute de pi, zeta, delta et mu. Savez-vous comment cela pourrait se faire?

Jen Bohold

J'ai également essayé de le faire avec la "mauvaise" toile de jute, donc avec log (delta) et log (zeta), après cela, j'ai sélectionné la sous-matrice et fait les calculs. Les résultats n'étaient pas corrects, car les valeurs étaient beaucoup trop grandes, comme environ 60 000 environ.

Jen Bohold

Erreurs standard des estimations de distribution hyperbolique utilisant la méthode delta?

Réponses:

Utilisation de etJournal( ζ)log⁡(ζ)\log(\zeta)Journal( δ)log⁡(δ)\log(\delta)

Utilisation de et $\log(\zeta)$ $\log(\delta)$