آموزش R | برآورد ماکزیمم درستنمایی به کمک شبیه سازی

فرض کنید 20 مشاهده از توزیع نمایی با پارامتر نامعلوم لامبدا داریم (داده ها را با تابع rexp شبیه سازی می کنیم). می خواهیم براورد ماکزیمم درستنمایی برای پارامتر مجهول را به دست بیاوریم. ابتدا 20 مشاهده شبیه سازی می کنیم. (اعداد تولید شده هربار متفاوت هستند، ولی همگی از توزیع نمایی استخراج شده اند.) سپس تابع لگاریتمی آن را بصورت تابعی به نام nllhood می نویسیم. سپس با nlminb براورد پارامتر مورد نظر را محاسبه می کنیم.

اعضای شبکه مشاوران در حوزه «تحقیقات بازار، بازاریابی و فروش»

All Locations آلمان— بایرن— برلین— راینلاند فالتسآمریکا— تگزاسامارات— ابوظبی— دبیایران— آذربایجان شرقی— آذربایجان غربی— اصفهان— البرز— تهران— خراسان رضوی— خراسان شمالی— سمنان— فارس— قزوین— کردستان— کرمانشاه— گیلان— لرستان— مازندران— همدانترکیه— آنکارا— استانبول

خروجی برنامه:

$par
[1] 4.389834

$objective
[1] -9.585834

$convergence
[1] 0

$iterations
[1] 6

$evaluations
function gradient
7        8

$message
[1] “relative convergence (4)”

برنامه:

>  x <- rexp(20, rate = 4)
>  n <- length(x)
>  nllhood = function(lambda) {
+  -1 * (n * log(lambda) – lambda * sum(x))
+  }
>  fit <- nlminb(6, nllhood)
>  fit