R语言 smoothtail包 generalizedPick()函数中文帮助文档(中英文对照)

loveR

generalizedPick(smoothtail)
generalizedPick()所属R语言包：smoothtail

                                        Compute generalized Pickand's estimator
                                         计算广义Pickand的估计

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Given an ordered sample of either exceedances or upper order statistics which is to be modeled using a GPD with  distribution function F, this function provides Segers' estimator of the shape parameter γ,  see Segers (2005). Precisely, for k = \{1, …, n-1\}, the estimator can be written as
有序样品的超标或上为了统计的是使用GPD分布函数建模F，此功能提供塞赫尔斯“的形状参数估计γ，看到塞赫尔斯”（2005年）。精确地说，为k = \{1, …, n-1\}，估计可以被写为

for H either the empirical or the distribution function based on the log–concave density estimator and λ the mixing measure given in Segers (2005), Theorem 4.1, (i). Note that for any k, \hat γ^k_{\rm{Segers}} : R^n \to (-∞, ∞).  If \hat γ_{\rm{Segers}} \not \in [-1,0), then it is likely that the log-concavity assumption is violated.  
H无论是经验或分布函数的基础上对数凹密度估计和λ混合措施给出塞赫尔斯（2005年），定理4.1，（I）。请注意，任何k，\hat γ^k_{\rm{Segers}} : R^n \to (-∞, ∞)。如果\hat γ_{\rm{Segers}} \not \in [-1,0)，那么它很可能，log凹假设的被侵犯。


用法----------Usage----------


generalizedPick(est, c, gam0, ks = NA)



参数----------Arguments----------

参数：est
Log-concave density estimate based on the sample as output by logConDens (a dlc object).
登录凹根据样本的密度估计为输出logConDens（dlc对象）。


参数：c
Number in (0,1), determining the spacings that are used.
在(0,1)，确定的间距，所使用的号码。


参数：gam0
Number in R \setminus 0.5, specifying the mixing measure.
数R \setminus 0.5，指定混合的措施。


参数：ks
Indices k at which Falk's estimate should be computed. If set to NA defaults to 4, …, n.
指数kFalk的估计应计算。如果设置为NA默认为4, …, n的。


值----------Value----------

n x 3 matrix with columns: indices k, Segers' estimator using the smoothing method, and
NX 3的矩阵列：指数k，塞赫尔斯估计，使用平滑的方法，


（作者）----------Author(s)----------



Kaspar Rufibach (maintainer), <a href="mailto:kaspar.rufibach@gmail.com">kaspar.rufibach@gmail.com</a>, <br> <a href="http://www.kasparrufibach.ch">http://www.kasparrufibach.ch</a>

Samuel Mueller, <a href="mailto:s.mueller@maths.usyd.edu.au">s.mueller@maths.usyd.edu.au</a>, <br> <a href="http://www.maths.usyd.edu.au/ut/people?who=S_Mueller">http://www.maths.usyd.edu.au/ut/people?who=S_Mueller</a>

Kaspar Rufibach acknowledges support by the Swiss National Science Foundation SNF, <a href="http://www.snf.ch">http://www.snf.ch</a>




参考文献----------References----------

Smooth tail index estimation. J. Stat. Comput. Simul., 79, 1155&ndash;1167.
Generalized Pickands estimators for the extreme value index. J. Statist. Plann. Inference, 128, 381&ndash;396.

参见----------See Also----------

Other approaches to estimate &gamma; based on the fact that the density is log&ndash;concave, thus
其他方法来估计&gamma;，从而根据一个事实，即密度为log凹


实例----------Examples----------


# generate ordered random sample from GPD[形成有序的随机抽样GPD]
set.seed(1977)
n <- 20
gam <- -0.75
x <- rgpd(n, gam)

## generate dlc object[＃生成DLC对象]
est <- logConDens(x, smoothed = FALSE, print = FALSE, gam = NULL, xs = NULL)

# compute tail index estimators[计算尾部指数估计]
generalizedPick(est, c = 0.75, gam0 = -1/3)

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。