fdp.mle(waveslim)
fdp.mle()所属R语言包：waveslim
Wavelet-based Maximum Likelihood Estimation for a Fractional
基于小波变换的最大似然估计的分数
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Parameter estimation for a fractional difference (long-memory, self-similar) process is performed via maximum likelihood on the wavelet coefficients.
一个分数的差值（术语记忆，自相似）过程是通过对小波系数的最大似然参数估计。
用法----------Usage----------
参数----------Arguments----------
参数：y
Dyadic length time series.
矢长的时间序列。
参数：wf
Name of the wavelet filter to use in the decomposition. See wave.filter for those wavelet filters available.
的小波滤波器的名称使用在分解。见wave.filter对于那些小波过滤器。
参数：J
Depth of the discrete wavelet transform.
深度的离散小波变换。
Details
详细信息----------Details----------
The variance-covariance matrix of the original time series is approximated by its wavelet-based equivalent. A Whittle-type likelihood is then constructed where the sums of squared wavelet coefficients are compared to bandpass filtered version of the true spectrum. Minimization occurs only for the fractional difference parameter d, while variance is estimated afterwards.
原始的时间序列的方差 - 协方差矩阵的近似由它的基于小波变换的等效。甲消减型的可能性，然后构建了小波系数的平方的总和相比，带通滤波后的版本的真实频谱。最大限度地减少发生的分数差参数d，而方差估计以后。
值----------Value----------
List containing the maximum likelihood estimates (MLEs) of d and σ^2, along with the value of the likelihood for those estimates.
List，其中包含的最大似然估计（极大似然估计）d和σ^2，以及与这些估计值的可能性。
（作者）----------Author(s)----------
B. Whitcher
参考文献----------References----------
An alternative maximum likelihood estimator of long-memory processes using compactly supported wavelets, Journal of Economic Dynamics and Control, 24, No. 3, 361-387.
Wavelet analysis and synthesis of stationary long-memory processes, Journal for Computational and Graphical Statistics, 5, No. 1, 26-56.
Wavelet Methods for Time Series Analysis, Cambridge University Press.
实例----------Examples----------
## Figure 5.5 in Gencay, Selcuk and Whitcher (2001)[＃图5.5在Gencay，塞尔丘克和Whitcher的（2001）]
fdp.sdf <- function(freq, d, sigma2=1)
sigma2 / ((2*sin(pi * freq))^2)^d
dB <- function(x) 10 * log10(x)
per <- function(z) {
n <- length(z)
(Mod(fft(z))**2/(2*pi*n))[1 n %/% 2 + 1)]
}
data(ibm)
ibm.returns <- diff(log(ibm))
ibm.volatility <- abs(ibm.returns)
ibm.vol.mle <- fdp.mle(ibm.volatility, "d4", 4)
freq <- 0:184/368
ibm.vol.per <- 2 * pi * per(ibm.volatility)
ibm.vol.resid <- ibm.vol.per/ fdp.sdf(freq, ibm.vol.mle$parameters[1])
par(mfrow=c(1,1), las=0, pty="m")
plot(freq, dB(ibm.vol.per), type="l", xlab="Frequency", ylab="Spectrum")
lines(freq, dB(fdp.sdf(freq, ibm.vol.mle$parameters[1],
ibm.vol.mle$parameters[2]/2)), col=2)
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。
|
发表于 2012-10-1 17:04:36
