请教高人在SAS里做最大似然数

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

<p>请教高人</p><p>有SAS random generate的一组服从柯西分布的数~怎样用最大似然数方法估计参数？</p><p>或者在SAS里做最大似然数估计的方法？</p><p>谢谢了，我会给认真回答的同学转论坛币的~~~</p>

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：请教高人 最大似然 generate random ERAT generate 柯西

SAS里面据我所知应该没有专门的程序去做最大似然估计。你可以参考http://en.wikipedia.org/wiki/Cauchy_distribution

我可以帮你做

以下是引用爱萌在2009-6-10 9:31:00的发言：

我可以帮你做

请谈谈SAS中如何实现!

基本上还是手工。
http://support.sas.com/onlinedoc/913/getDoc/en/imlug.hlp/nonlinearoptexpls_index.htm

lz, 如果做最大似然估计，建议用 Matlab, 具体用法建议你参考《 MATLAB实用教程(第二版) 苏金民 阮沈勇 编著》，本论坛 Matlab 版里有该教程的免费资料，但偶不推荐，里面缺少很多内容，其中就包括你所需要的 MLE,但书店里卖的正版书里面 mle 讲得很详细，所以最好有一本正版书，当然图书馆里借一本也是不错的。

现举一个正态分布的例子，说明 Matlab之 mle 的用法。 在 Matlab 命令窗口键入：

x=1:100;（回车） （注意：分号！）

hat=mle(x)(回车）（注意：没有分号！）

运行结果如下：

hat =

   50.5000   28.8661

(注：50.5000 是关于 总体均值的估计值，28.8661 是关于 总体 标准差的估计值。）

以上仅供参考，谢谢！

 

我正在SAS里面研究这个问题，但是思路还是有的，如下：
1.写出样本的最大似然函数，显然不同的分布，不同的需求对应的MLE是不同的。
2.求MLE的自然对数，再对各未知参数求导数，得到一个方程组。
3.如果方程组是线性的，可以用普通的IML解决；如果是非线性的，可以参考IML中的牛顿-雅克比行列式的例子，不是很难。

我正在SAS里面研究这个问题，但是思路还是有的，如下：
1.写出样本的最大似然函数，显然不同的分布，不同的需求对应的MLE是不同的。
2.求MLE的自然对数，再对各未知参数求导数，得到一个方程组。
3.如果方程组是线性的，可以用普通的IML解决；如果是非线性的，可以参考IML中的牛顿-雅克比行列式的例子，不是很难。

heartann 发表于 2009-6-9 18:54
请教高人有SAS random generate的一组服从柯西分布的数~怎样用最大似然数方法估计参数？或者在SAS里做最大似然数估计的方法？谢谢了，我会给认真回答的同学转论坛币的~~~

There are many prcedures do the ML estimation in SAS. I usually prefer to use NLMIXED and NLP. Actually any SAS procedure has an optimizer(solver) can do ML estimation.

Here are a couple of examples doing CAUCHY distributions( any distribution).

Note: Cauchy distribution has very heavy tail and no moments exist so the GMM and GLS will fail.

data t1;
   alpha2=6.9; beta2=2; seed=(88882);
   do i=1 to 5000;
     x=alpha2+beta2*rancau(seed);
         output;
   end;
run;


proc nlp data=t1;
  max logf;
  parms alpha=1.1, beta=1;
  bounds  beta>0;
  f=1/(beta*3.14159278*(1+((x-alpha)/beta)**2));
  logf=log(f);
run;

proc nlmixed data=t1;
  parms alpha=1.1 beta=1;
  bounds  beta>0;
  f=1/(beta*3.14159278*(1+((x-alpha)/beta)**2));
  logf=log(f);
  model x ~ general(logf);
run;

9# bobguy
这位兄台回答得很对！！！应该给他论坛币