CHAPTER 05 / 5.3
Delta 方法
参数的函数 的方差:。
5.2 给出了参数估计 的方差。但我们真正关心的常常是参数的函数 :分布的均值、超过某个金额的概率、VaR……用 来估计它很自然,Delta 方法回答的是: 的方差是多少?
4000 个样本量为 20 的样本各自算出的 g(θ̂),与 Delta 方法的正态近似
密度4000 次模拟的估计值正态近似
估计值 1,215.74
Delta 方法的标准误529.49
模拟估计值的标准差609.8
95% 置信区间177.93 ~ 2,253.55
Delta 方法把 在 附近换成切线(一阶泰勒展开),线性函数的方差就好算了。 时 的波动范围很宽, 在这个范围内弯得厉害:直方图明显右偏,正态近似甚至给负值留了概率。把 调大, 集中到切点附近,切线与曲线几乎重合,近似才变好。
例题 1:指数分布的 P(X > 200)
用指数分布拟合数据集 B,,且 。要估计的是标准误 ,95% 置信区间 。
例题 2:对数正态的均值
在 、 处,两个偏导数是 和 。夹上 5.2 的协方差矩阵:
(课件用四舍五入后的数相乘,得 280,444。)标准误 ,95% 置信区间 。区间这么宽,说明 20 个观测对均值的约束很弱。
Delta 方法的定理与证明展开阅读
一元情形:设 在 处可导且 。如果 ,那么
证明思路:在 处做一阶泰勒展开 ,于是 ;均值为 0 的正态变量乘以常数 ,方差乘以 。
多元情形把导数换成梯度,把方差换成协方差矩阵:
对应课件的 R 代码展开阅读
接着上一节 optim 的结果,用 Hessian 矩阵的负逆作为协方差矩阵。
mu_est <- mlognormal$par[1]
sigma_est <- mlognormal$par[2]
Hessian <- mlognormal$hessian
# g(θ) 及其一阶偏导数
g <- exp(mu_est + 0.5 * sigma_est^2)
g_dev <- c(g, sigma_est * g)
Cov <- solve(-Hessian) # 协方差矩阵
var_mean <- t(g_dev) %*% Cov %*% g_dev
var_mean # 均值估计的渐近方差
g + c(-1.96, 1.96) * sqrt(c(var_mean))
# 例题 1:指数分布
theta <- mean(x); n <- length(x)
p <- exp(-200 / theta)
(200 / theta^2 * p)^2 * theta^2 / n # 0.0007444