4

这是一个比较泊松分布的 lambda 参数的 ML 估计量的测试。

with(data.frame(x=rpois(2000, 1.5), i=LETTERS[1:20]),
     cbind(cf=tapply(x, i, mean),
           iter=optim(rep(1, length(levels(i))), function(par) 
             -sum(x * log(par[i]) - par[i]), method='BFGS')$par))

第一列显示了从封闭形式解获得的 ML 估计量（供参考），而第二列显示了通过使用 BFGS 方法最大化对数似然函数获得的 ML 估计量。结果：

    cf     iter
A 1.38 1.380054
B 1.61 1.609101
C 1.49 1.490903
D 1.47 1.468520
E 1.57 1.569831
F 1.63 1.630244
G 1.33 1.330469
H 1.63 1.630244
I 1.27 1.270003
J 1.64 1.641064
K 1.58 1.579308
L 1.54 1.540839
M 1.49 1.490903
N 1.50 1.501168
O 1.69 1.689926
P 1.52 1.520876
Q 1.48 1.479891
R 1.64 1.641064
S 1.46 1.459310
T 1.57 1.569831

可以看出，使用迭代优化方法得到的估计量与正确值有很大的偏差。这是可以预料的，还是有另一种（多维）优化技术可以产生更好的近似值？

4

2 回答 2

7

大通提供的答案：

reltol传递给的参数control()可让您调整收敛的阈值。如有必要，您可以尝试使用它。

编辑：

这是现在包含选项的代码的修改版本reltol=.Machine$double.eps，它将提供最大可能的准确性：

with(data.frame(x=rpois(2000, 1.5), i=LETTERS[1:20]),
     cbind(cf=tapply(x, i, mean),
           iter=optim(rep(1, length(levels(i))), function(par) 
             -sum(x * log(par[i]) - par[i]), method='BFGS',
             control=list(reltol=.Machine$double.eps))$par))

结果是：

    cf iter
A 1.65 1.65
B 1.54 1.54
C 1.80 1.80
D 1.44 1.44
E 1.53 1.53
F 1.43 1.43
G 1.52 1.52
H 1.57 1.57
I 1.61 1.61
J 1.34 1.34
K 1.62 1.62
L 1.23 1.23
M 1.47 1.47
N 1.18 1.18
O 1.38 1.38
P 1.44 1.44
Q 1.66 1.66
R 1.46 1.46
S 1.78 1.78
T 1.52 1.52

cf因此，优化算法产生的误差（即和之间的差异iter）现在减少到零。

于 2012-04-06T15:34:11.243 回答
1

除了设置 reltol 参数之外，还要考虑到您确实对一个参数进行了一系列优化，该optimize函数比optim单参数情况下工作得更好，这可能更适合您的实际问题（如果它真的是一维的）。

于 2012-04-06T16:15:44.700 回答