为了更加重视尾部观测,还使用α=。5, α= .75, α= .95,c=c=c=1。我们将这些解分别表示为LS1、LS2。ML解决方案以封闭形式提供,我们使用Scipy的优化库来求解DMM、LS1和LS2。查看S的图2和图3,我们发现LS1 fit实际上与两个数据集的MM aML fit非常相似。然而,我们发现LS2 fit在这两种情况下都是最好的。ML、MM和LS1方法过于强调模式周围的观察结果。然而,LS2 fit适当强调了尾部不太频繁的观察结果。同样重要的是,要注意沙子中的差异如何影响每种方法的效果。观察沙子之间的差异,我们可以看到,在范围的较低部分,样品的观察密度有所不同。这直接反映在MM、ML和LS1给出的fits中。与他们在S上的表现相比,他们更倾向于分布的左侧。然而,LS2 fit对数据集之间的差异具有鲁棒性,并且通过关注尾部,与t S相比基本保持不变。这是LS2中α选择较大值的预期影响。我们在厚尾Weibull上重复了这个过程。我们采集了50个真实参数k=1,λ=的Weibull样本。5和fit MM、ML、LS1和LS2使用经验数据。图4和图5突出显示了结果的不同方面。我们看到LS2显然提供了最好的结果,图5特别显示MM、ML和LS1低估了尾部密度。MM、ML和LS1更加重视模式周围的观察结果。然而,正如预期的那样,LS2更关注于拟合右尾观测值,并得出更好的拟合结果。具体而言,我们使用了leastsq函数,该函数实现了MINPACK的lmdif例程。
|