4.1. 离散时间观测
假设只有来自我-过程的实现是有时的观察
对于),表示为,使用,我们在哪里N个时间区间内随机logistic过程的路径。我们可以考虑数据集作为对样本路径给出的完整数据集的不完全观察然后,我们使用扩散桥来获得完整的信息、表达式(6)估计σ,以及一种随机EM算法,用于求第页对于完整的log-likelihood函数
为此,我们应该计算(13)对于给定观测值的完整模型。我们通过模拟给定数据的扩散过程的样本路径来实现这一点,这与扩散桥的模拟相对应。让一和b条是状态空间中的两点然后是(三)在间隔中这样的话和将被调用-桥梁。SEM算法的工作原理如下。让是参数的初始值。
重复算法1的步骤2、3和4K(K)适当老化的时间然后通过以下公式给出估计值
为了计算算法1的E步中的条件期望,我们使用当前我们产生了一个扩散桥
哪里对于,、和.
在M步骤中由提供
要更新σ在步骤4中,我们将扩散桥生成的连续路径用于E步骤。
模拟研究。在这里,我们展示了一项模拟研究的结果,其中模拟了1000个数据集,即。N个 = 1000.每个数据集都是通过在间隔时间内模拟长度为1500的样本路径获得的具有初始分布。我们假设我们一次只有15次观察(n个 = 14). 然后对于每条路径。参数值为第页 = 0.4和.数字和给出了算法1 450次迭代的估计量图。
算法1是用运行的K(K) = 450和L(左) = 1000.首先,我们选择任意初始值和(见图和). 随后,我们使用不完全观测运行算法1来选择参数的初始值,即。
和
对于我们可以观察到,对于第二个初始值,该算法是最有效的,因此我们使用这些初始值。基于数字估值器的演变和,我们可以肯定,对于这两个参数,在迭代250后有一个非常好的近似值,因此我们选择最后200次迭代的平均值和分位数()表中给出了获得的估计值.
表2。
平均值和分位数()从1000个模拟数据集和间隔时间内每条路径的1500个长度中获得的参数估计.
参数 | 真值 | 估算员 | 分位数95% |
---|
第页 | 0.40 | 0.399310 | (0.397181,0.402966) |
σ | 0.25 | 0.251208 | (0.248455,0.264933) |
4.1.1. 稳健的MLE
假设我们只能观察样本,其中包括错误。这可以表示为
哪里是不可观测的真实数据(无错误)是的错误ij公司-含参数随机变量的th样本τ在这里,我们可以认为数据集作为样本路径给出的完整数据集的不完全观测以及,或同等和然后,使用log-likelihood函数第页基于完整的数据集和由提供
哪里(f)是的条件密度函数鉴于.
这种情况下的SEM算法与算法1类似。让如果我们更新τ在算法的M步中使用
我们得到了相应的算法。
模拟研究。在本小节中,我们展示了模拟研究的结果,其中模拟了1000个数据集,条件与上一节中的模拟示例相同,但假设我们只观察到和.
图表明对于三个参数,迭代350后有一个很好的近似值,因此我们选择
最后100次迭代的平均值和分位数()表中给出了获得的估计值.
表3。
平均值和分位数()从1000个模拟数据集和间隔时间内每条路径的1500个长度中获得的参数估计值.
参数 | 真值 | 估算员 | 分位数95% |
---|
第页 | 0.40 | 0.413360 | (0.413081,0.413790) |
σ | 0.25 | 0.251202 | (0.252240,0.254720) |
τ | 0.10 | 0.103046 | (0.088745,0.117238) |
4.2. 每条路径一条记录
在这一节中,我们提出了一种方法,当我们从解决方案的适当数量的路径中的每个路径中只有一个测量值时,可以估计参数。其动机是适用于具有此特征的真实数据。我们将假设每个轨迹都来自相同的随机过程。然后,当我们将此应用于实际数据时,这意味着每个测量值都来自属于同一潜在人群的个人。
从过程的采样路径生成具有这些特征的数据集,该过程是方程的解(三),我们将使用算法2。鉴于θ和值α和β为了生成数据集的路径,该算法的工作原理如下。
如果我们使用算法2生成N个路径,我们可以使用表达式(6)和(8)估计θ。对于我们有初始观测数据集的情况我们可以使用它作为Beta分布的样本,并获得相应的MLEα和β(参见第节5.2).
模拟研究。这里,我们展示了一个小型模拟研究的结果,其中我们使用,即。N个 = 1000.通过算法2获得每条路径n个 = 间隔时间内为1000具有初始分布。参数值为第页 = 5和估算结果见表.
表4。
平均值和分位数()从1000个模拟数据集和间隔时间内每条路径的1000个长度中获得的参数估计值.
参数 | 实际价值 | 估算员 | 分位数95% |
---|
第页 | 5 | 4.963997 | (4.792340,5.142983) |
σ | 0.4 | 0.402344 | (0.399762,0.429351) |