上下文外的简短版本
令为CDF
假设我想使用反CDF方法模拟绘制。那可能吗?此函数不完全具有逆函数。然后再次有两个正态分布的混合分布的逆变换采样,这表明这里有一种已知的方法可以应用逆变换采样。
我知道两步法,但是我不知道如何将其应用于我的情况(请参见下文)。
带背景的长版
我使用MCMC(特别是Stan)为向量值响应拟合了以下模型:
其中索引观测值,是相关矩阵,是预测变量/回归变量/特征的向量。
也就是说,我的模型是一个回归模型,其中响应的条件分布假定为具有零膨胀对数正态边际的高斯copula。我之前已经发布过有关该模型的文章;事实证明,Song,Li和Yuan(2009,gated)开发了它,并将其称为向量GLM或VGLM。以下是他们尽可能接近逐字记录的说明: 我的
零膨胀部分大致遵循Liu和Chan(2010,unated)的规范。
现在,我想从估计的参数中模拟数据,但是我对如何处理它有些困惑。首先,我以为我可以直接在模拟:
for (i in 1:N) {
for (k in 1:K) {
Y_hat <- rbinom(1, 1, 1 - theta[i, k])
if (Y_hat == 1)
Y_hat <- rlnorm(1, mu[i, k], sigma[k])
}
}
不使用可言。我想尝试实际使用我估计的相关矩阵。
我的下一个想法是抽取,然后将其转换回。这似乎也与在Sklar的copula定理中表达的R中的Copula样本和用于分布的双变量样本中的答案相吻合?。但是我的在这里到底是什么?用于两个正态分布的混合分布的逆变换采样听起来似乎可行,但是我不知道该怎么做。