SIMloglik(sde)
SIMloglik()所属R语言包：sde
Pedersen's approximation of the likelihood
Pedersen的近似的可能性
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Pedersen's approximation of the likelihood of a process solution of a stochastic differential equation. This function is useful to calculate approximated maximum likelihood estimators when the transition density of the process is not known. It is computationally intensive.
Pedersen的近似的一个随机微分方程的一个过程解决方案的可能性。此功能是有用的计算近似的最大似然估计的过程中是不知道的跳变密度。它是计算密集的。
用法----------Usage----------
SIMloglik(X, theta, d, s, M=10000, N=2, log=TRUE)
参数----------Arguments----------
参数：X
a ts object containing a sample path of an sde.
一个TS对象，其中包含的样本路径的SDE。
参数：theta
vector of parameters.
的参数向量。
参数：d,s
drift and diffusion coefficients; see details.
漂移和扩散系数;查看详细信息。
参数：log
logical; if TRUE, the log-likelihood is returned.
逻辑，如果，则返回TRUE，对数似然。
参数：N
number of subintervals; see details.
子区间的数量，查看详细信息。
参数：M
number of Monte Carlo simulations, which should be an even number; see details.
蒙特卡罗模拟的数量，这应该是一个偶数，看细节。
Details
详细信息----------Details----------
The function SIMloglik returns the simulated log-likelihood obtained by Pedersen's method. The functions s and d are the drift and diffusion coefficients with arguments (t,x,theta).
函数SIMloglik返回模拟的对数似然Pedersen的研究方法获得。的功能s和d是带参数的漂移和扩散系数(t,x,theta)。
值----------Value----------
<table summary="R valueblock"> <tr valign="top"><td>x</td> <td> a number</td></tr> </table>
<table summary="R valueblock"> <tr valign="top"> <TD> x</ TD> <td>一个数量</ TD> </ TR> </ TABLE>
（作者）----------Author(s)----------
Stefano Maria Iacus
参考文献----------References----------
Pedersen, A. R. (1995) A new approach to maximum likelihood estimation for stochastic differential equations based on discrete observations, Scand. J. Statist., 22, 55-71.
实例----------Examples----------
## Not run: [＃不运行：]
set.seed(123)
d <- expression(-1*x)
s <- expression(2)
sde.sim(drift=d, sigma=s,N=50,delta=0.01) -> X
S <- function(t, x, theta) sqrt(theta[2])
B <- function(t, x, theta) -theta[1]*x
true.loglik <- function(theta) {
DELTA <- deltat(X)
lik <- 0
for(i in 2:length(X))
lik <- lik + dnorm(X[i], mean=X[i-1]*exp(-theta[1]*DELTA),
sd = sqrt((1-exp(-2*theta[1]*DELTA))*
theta[2]/(2*theta[1])),TRUE)
lik
}
xx <- seq(-10,10,length=20)
sapply(xx, function(x) true.loglik(c(x,4))) -> py
sapply(xx, function(x) EULERloglik(X,c(x,4),B,S)) -> pz
sapply(xx, function(x) SIMloglik(X,c(x,4),B,S,M=10000,N=5)) -> pw
plot(xx,py,type="l",xlab=expression(beta),
ylab="log-likelihood",ylim=c(0,15)) # true[真]
lines(xx,pz, lty=2) # Euler[欧拉]
lines(xx,pw, lty=3) # Simulated[模拟]
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 2012-9-29 23:31:37
