와 이블 분포에 대한 신뢰 구간

극값 분석 (리턴 레벨 계산)을 수행하기 위해 사용하고있는 바람 데이터가 있습니다. 저는 R 패키지에 'evd', 'extRemes'및 'ismev'패키지를 사용하고 있습니다.와 이블 분포에 대한 신뢰 구간

나는 내가 극단를 사용하여 RL의 취득 및 신뢰 구간 수, 일정 기간의 T. GEV와 Gumbel와 사례를 들어
의 리턴 레벨 (RL)을 추정하기 위해, GEV, Gumbel와와 이블 분포를 피팅하고있어 :: return.level() 함수.

일부 코드 :

require(ismev) 
require(MASS) 

data(wind) 
x = wind[, 2] 
rperiod = 10 

fit <- fitdistr(x, 'weibull') 
s <- fit$estimate['shape'] 
b <- fit$estimate['scale'] 

rlevel <- qweibull(1 - 1/rperiod, shape = s, scale = b) 

## CI around rlevel 
## ci.rlevel = ??

그러나 이블 경우에

, 나는 CI의를 생성하는 데 도움이 필요합니다.

출처

2013-03-26 Fernando

수행 한 작업에 대한 간략한 설명을 제공했지만이 포럼은 코딩 포럼이므로 데이터와 코드를 게시해야합니다. –

코드가 추가되었습니다. – Fernando

공동 신뢰 영역이 타원형 또는 구부러진 소시지 모양 인 것으로 극심한 답이있을 것이라고 생각하지만 vcov 함수를 사용하여 맞춤 개체의 매개 변수에 대한 분산 추정치를 추출한 다음 +/- 1.96 SE의는 유익한다 :

> sqrt(vcov(fit)["shape", "shape"]) 
[1] 0.691422 
> sqrt(vcov(fit)["scale", "scale"]) 
[1] 1.371256 

> s +c(-1,1)*sqrt(vcov(fit)["shape", "shape"]) 
[1] 6.162104 7.544948 
> b +c(-1,1)*sqrt(vcov(fit)["scale", "scale"]) 
[1] 54.46597 57.20848

하나의 매개 변수에 대한 CI를 계산하는 일반적인 방법은 정규 분포 및 사용 세타 +/- 1.96 * SE (세타)를 가정하는 것입니다. 이 경우 두 매개 변수가 있으므로 두 매개 변수를 모두 사용하면 간격의 2D 아날로그 인 "상자"를 얻을 수 있습니다. 진정한 정답은 'scale-by-a-shape'매개 변수 공간에서 좀 더 복잡한 것이고, 내가 가진 것보다 더 나은 이론을 이해하지 못한다면 시뮬레이션 방법으로 가장 쉽게 얻을 수 있습니다.

출처

2013-03-26 16:44:01

그럼 이제이 값을 사용하여 qweibull_inf 및 qweibull_hi를 계산할 수 있습니까? – Fernando

나는 여기서 당신의 용어를 이해할 수 있을지 잘 모르겠습니다. –

나는 모양과 규모에 맞는 CI를 가지고 있습니다. Qweibull (p, shape, scale)을 사용하여 weibull quantiles를 계산하기 위해 이들을 연결할 수 있습니까? – Fernando

와 이블 분포에 대한 신뢰 구간

답변

관련 문제