尺度参数为 1 的 gamma 分布的对数似然可以写为:
(α−1)s−nlogΓ(α)
其中 alpha 是形状参数,s=∑logXi
是充分的统计量。
随机抽取 n = 30 的样本,形状参数为 alpha = 4.5。使用newton_search
和make_derivative
,找到 alpha 的最大似然估计。使用 alpha 的矩估计,即 x 的平均值作为初始猜测。R中的对数似然函数是:
x <- rgamma(n=30, shape=4.5)
gllik <- function() {
s <- sum(log(x))
n <- length(x)
function(a) {
(a - 1) * s - n * lgamma(a)
}
}
我创建了 make_derivative 函数,如下所示:
make_derivative <- function(f, h) {
(f(x + h) - f(x - h)) / (2*h)
}
我还创建了一个newton_search
包含该功能的make_derivative
功能;但是,我需要使用newton_search
对数似然函数的二阶导数,并且我不确定如何修复以下代码才能做到这一点:
newton_search2 <- function(f, h, guess, conv=0.001) {
set.seed(2)
y0 <- guess
N = 1000
i <- 1; y1 <- y0
p <- numeric(N)
while (i <= N) {
make_derivative <- function(f, h) {
(f(y0 + h) - f(y0 - h)) / (2*h)
}
y1 <- (y0 - (f(y0)/make_derivative(f, h)))
p[i] <- y1
i <- i + 1
if (abs(y1 - y0) < conv) break
y0 <- y1
}
return (p[(i-1)])
}
提示:您必须应用对数似然的newton_search
一阶和二阶导数(使用 数字导出)。make_derivative
你的答案应该接近 4.5。
当我跑步时newton_search2(gllik(), 0.0001, mean(x), conv = 0.001)
,我得到的答案应该是双倍的。