एक तिरछा-सामान्य वितरण के लिए डेटा को कैसे फिट किया जाए, इसके बारे में आप पहले सिद्धांतों से अधिकतम संभावना अनुमानक की गणना कर सकते हैं। सबसे पहले ध्यान दें कि स्थान पैरामीटर के साथ तिरछा सामान्य वितरण के लिए प्रायिकता घनत्व समारोह , पैमाने पैरामीटर और आकार पैरामीटर हैω अल्फाξωα
2ωφ ( एक्स - ξω) Φ ( α ( एक्स - ξω) )
जहां मानक सामान्य घनत्व फ़ंक्शन है और मानक सामान्य CDF है। ध्यान दें कि यह घनत्व इस प्रश्न के उत्तर में वर्णित वर्ग का सदस्य है ।Φ ( ⋅ )φ ( ⋅ )Φ ( ⋅ )
इस वितरण से स्वतंत्र टिप्पणियों के नमूने के आधार पर लॉग-लाइबिलिटी है:n
- एन लॉग( Ω ) + Σमैं = १nलॉगφ ( एक्स - ξω) +लॉगΦ ( α ( एक्स - ξω) )
यह एक तथ्य है कि इस MLE के लिए कोई बंद फॉर्म समाधान नहीं है। लेकिन, इसे संख्यात्मक रूप से हल किया जा सकता है। उदाहरण के लिए, में R
, आप संभावना फ़ंक्शन को कोड कर सकते हैं (नोट के रूप में, मैंने इसे पूरी तरह से पारदर्शी बनाने के लिए संभव से कम कॉम्पैक्ट / कुशल बना दिया है कि यह ऊपर दिए गए संभावना फ़ंक्शन की गणना कैसे करता है):
set.seed(2345)
# generate standard normal data, which is a special case
n = 100
X = rnorm(n)
# Calculate (negative) log likelihood for minimization
# P[1] is omega, P[2] is xi and P[3] is alpha
L = function(P)
{
# positivity constraint on omega
if( P[1] <= 0 ) return(Inf)
S = 0
for(i in 1:n)
{
S = S - log( dnorm( (X[i] - P[2])/P[1] ) )
S = S - log( pnorm( P[3]*(X[i] - P[2])/P[1] ) )
}
return(S + n*log(P[1]))
}
अब हम केवल इस फ़ंक्शन को कम से कम करते हैं (अर्थात संभावना को अधिकतम करते हैं)। आप सिम्पलेक्स एल्गोरिथम का उपयोग करके डेरिवेटिव की गणना किए बिना ऐसा कर सकते हैं , जो optim()
पैकेज में डिफ़ॉल्ट कार्यान्वयन है R
।
तिरछेपन के लिए परीक्षण कैसे करें के बारे में: हम स्पष्ट रूप से तिरछा-सामान्य बनाम सामान्य के लिए परीक्षण कर सकते हैं (क्योंकि सामान्य एक सबमॉडल है) को विवश करके और संभावना अनुपात परीक्षण करके ।α=0
# log likelihood constraining alpha=0.
L2 = function(Q) L(c(Q[1],Q[2],0))
# log likelihood from the constrained model
-optim(c(1,1),L2)$value
[1] -202.8816
# log likelihood from the full model
-optim(c(1,1,1),L)$value
[1] -202.0064
# likelihood ratio test statistic
LRT = 2*(202.8816-202.0064)
# p-value under the null distribution (chi square 1)
1-pchisq(LRT,1)
[1] 0.1858265
इसलिए हम अशक्त परिकल्पना को अस्वीकार नहीं करते हैं कि (यानी कोई तिरछा नहीं)।α=0
यहाँ तुलना सरल थी, क्योंकि सामान्य वितरण एक सबमॉडल था। अन्य, अधिक सामान्य मामलों में, आप तिरछे-सामान्य की तुलना अन्य संदर्भ वितरणों से कर सकते हैं, उदाहरण के लिए, AIC s (जैसा कि यहां किया गया ) यदि आप सभी प्रतियोगी फिट में अधिकतम संभावना अनुमानकों का उपयोग कर रहे हैं। उदाहरण के लिए, आप एक गामा वितरण के तहत और तिरछा सामान्य के तहत अधिकतम संभावना द्वारा डेटा को फिट कर सकते हैं और देख सकते हैं कि क्या जोड़ा संभावना तिरछी-सामान्य की गयी जटिलता (2 के बजाय 3 पैरामीटर) को सही ठहराती है। आप तिरछा-सामान्य परिवार से सर्वश्रेष्ठ फिटिंग अनुमान के साथ अपने डेटा की तुलना करने के लिए एक नमूना Kolmogorov Smirnov परीक्षण का उपयोग करने पर भी विचार कर सकते हैं ।