最小的指数分布的最大似然估计


10

我被困在如何解决这个问题上。

因此,对于,我们有两个随机变量序列和。现在,和是具有参数和独立指数分布。然而,而不是观察和,我们观察到,而不是和。ÿ = 1 Ñ X ÿ λ μ X ÿ ž W¯¯XiYii=1,...,nXYλμXYZW

Z=min(Xi,Yi),如果Z_i = X_iW = 1,如果Z_i = Y_i则为 0 。我必须在ZW的基础上找到\ lambda\ mu的最大似然估计的封闭形式。此外,我们需要证明这些是全局最大值。W=1Zi=XiZi=YiλμZW

现在,我知道两个独立指数的最小值本身就是指数,比率等于比率之和,因此我们知道Z是带参数\ lambda + \ mu的指数λ+μ。因此,我们的最大似然估计器为:λ^+μ^=Z¯

但是我对从这里去的方向感到困惑。我知道W是参数p = P(Z_i = X_i)的伯努利分布p=P(Zi=Xi),但我不知道如何将其转换为关于参数之一的语句。例如,根据\ lambda和/或\ mu,MLE W¯将估算什么?我知道如果Z_i = X_i,则\ mu = 0,但是在这里我很难弄清楚如何提出任何代数语句。λμZi=Xiμ=0

更新1:所以我在评论中被告知要推导ZW的联合分布的可能性W

因此f(Z,W)=f(Z|W=1)p+f(Z|W=0)(1p)其中p=P(Zi=Xi)。正确?由于ZW不是独立的,因此在这种情况下我不知道如何导出联合分布。

因此,根据上述W的定义,得出f(Z_i,W_i)= p \ lambda e ^ {-\ lambda z_i} +(1-p)\ mu e ^ {-\ mu z_i}。但是现在呢?这并没有带我到任何地方。如果执行计算似然性的步骤,则会得到:(使用mn作为混合物各部分的样本量...)f(Zi,Wi)=pλeλzi+(1p)μeμziWmn

L(λ,μ)=pmλmeλzi+(1p)nμneμzi

logL=mlogp+mlogλλzi+nlog(1p)+nlogμμzi

如果我采用偏导数,这告诉我我对和 MLE估计值只是的条件的平均值。那是,λμZW

λ^=Zim

μ^=Zin

p^=mn+m


1
今天刚刚回答了类似的MLE问题,我是否可以指导您提出一些想法的解决方案?问题之间的关系是,您的数据也自然分为两个不相交的组:那些和那些。归结为写下形式的观察可能性;和,和之间的对称性立即产生形式为数据的可能性,然后您就可以运行了。W=0W=1(Z,W)=(z,0)XYμλ(z,1)
ub

不要急于写下最大的可能性!首先,表达的联合分布,然后推导与的样本相关的似然由于指数假设,该似然度为封闭形式。然后只有这样,您才能尝试使函数最大化,从而得出最大似然。(Z,W)(Zi,W)=i)
西安

@whuber:(1)它是相当简单确实并涉及之间的分离的和但二者组涉及和,因为它们带来的信息两者和,因为。(zi,1)(zi,0) μλ XiYiWi=I(Xi<Yi)
西安

2
@西安是的-与我所链接的正态理论示例的相似之处继续存在,因为这两个组都提供了有关公共参数(比例)的信息,其估计因此将涉及“合并”数据从组。在这里可以看到告诉我们的估计值(的比率或反比例)应如何分配到和单独估计值中。σW¯λ+μZλμ
ub

我已经读完了另一个主题whuber,但老实说,我不明白如何将其应用于本示例。Z和W不是独立的,那么如何得出联合分布?
瑞安·西蒙斯

Answers:


1

我没有足够的意见要发表,所以我在这里写。我认为,如果您考虑以下因素,则可以从生存分析的角度来看待您发布的问题:

Xi:真正的生存时间,

Yi:审查时间,

两者都有独立于和的指数分布。那么是观察到的生存时间,是审查指标。XYZiWi

如果您熟悉生存分析,我相信您可以从这一点开始。

注意:很好的来源:DRCox和D.Oakes对生存数据的分析

下面是一个示例:假设生存时间分布的pdf为。那么生存函数为:。对数似然是:f(t)=ρeρtS(t)=eρt

l=ulogf(zi)+clogS(zi)

分别对未经审查的人()和受审查的人()求和。uc

由于的事实,其中h(t)是危险函数,可以这样写:f(t)=h(t)S(t)

l=ulogh(zi)+logS(zi)

l=ulogρρzi

和最大似然估计的是:ρ^ρ

ρ^=d/zi其中是的总数dWi=1

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.