ξωα
2ωϕ(x−ξω)Φ(α(x−ξω))
ϕ(⋅)Φ(⋅)
n
−nlog(ω)+∑i=1nlogϕ(x−ξω)+logΦ(α(x−ξω))
Itu fakta bahwa tidak ada solusi bentuk tertutup untuk MLE ini. Tapi, itu bisa diselesaikan secara numerik. Misalnya, dalam R
, Anda dapat mengkodekan fungsi kemungkinan sebagai (perhatikan, saya membuatnya kurang kompak / efisien daripada mungkin untuk membuatnya sepenuhnya transparan bagaimana ini menghitung fungsi kemungkinan di atas):
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]))
}
Sekarang kita hanya meminimalkan fungsi ini secara numerik (yaitu memaksimalkan kemungkinan). Anda dapat melakukan ini tanpa harus menghitung turunan dengan menggunakan Algoritma Simplex , yang merupakan implementasi default dalam optim()
paket di R
.
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
α=0
Di sini perbandingannya sederhana, karena distribusi normal adalah submodel. Dalam kasus lain yang lebih umum, Anda dapat membandingkan distribusi normal condong ke distribusi referensi lainnya dengan membandingkan, misalnya, AIC (seperti yang dilakukan di sini ) jika Anda menggunakan penduga kemungkinan maksimum dalam semua kecocokan yang bersaing. Misalnya, Anda dapat menyesuaikan data dengan kemungkinan maksimum di bawah distribusi gamma dan di bawah condong normal dan melihat apakah kemungkinan yang ditambahkan membenarkan kompleksitas tambahan dari condong-normal (3 parameter bukannya 2). Anda juga dapat mempertimbangkan untuk menggunakan satu sampel uji Kolmogorov Smirnov untuk membandingkan data Anda dengan perkiraan pemasangan terbaik dari keluarga condong-normal.
Saya seorang ahli statistik yang telah bekerja dalam profesi ini selama lebih dari 30 tahun dan sebelum membaca posting ini saya belum pernah mendengar tentang distribusi normal miring. Jika Anda memiliki data yang sangat miring mengapa secara khusus ingin melihat condong normal sebagai lawan lognormal atau gamma? Setiap kali Anda memiliki keluarga distribusi parametrik seperti gamma, lognormal, atau condong normal, Anda dapat menerapkan uji goodness of fit seperti chi-square atau Kolmogorov-Smirnov.
sumber
Jadi solusi saya pada akhirnya adalah mengunduh paket fGarch , dan
snormFit
disediakan oleh fGarch untuk mendapatkan MLE untuk parameter ke Skewed-Normal.Lalu saya menyambungkan parameter-parameter itu, dengan
dsnorm
fungsi yang disediakan oleh fGarch, ke tes Kolmogorov-Smirnov.sumber
Lihat http://www.egyankosh.ac.in/bitstream/123456789/25807/1/Unit6.pdf dan http://en.wikipedia.org/wiki/Skewness
Anda bisa menggunakan tes Karl Pearson untuk skewness. Rasio momen ketiga dengan kubus deviasi standar disebut koefisien skewness. Distribusi simetris akan memiliki kemiringan = 0
sumber
dalam SPSS Anda bisa mendapatkan perkiraan kemiringan (dengan menganalisis dan kemudian mendeskripsikan dan kemudian menandai kemiringan) kemudian Anda mendapatkan skor skewness dan SE (standard error) skewness. Bagi skewness dengan SE-nya dan jika skor Anda antara + -1,96 biasanya skewd. Jika tidak miring maka ada banyak tes non-parametrik di luar sana! Semoga sukses dan yang terbaik!
sumber