Re: [R-br] Estimativas de parâmetros de uma Weibull utilizando duas metodologias: Newton-Raphson "vs" Nelder Mead (estimativas muito diferentes) o que pode estar acontecendo??

Olá Wagner, segui o seu conselho e coloquei para o caso Nelder-Mead as estimativas iniciais como sendo as estimativas encontradas no caso de Newton-Raphson, o valor foi realmente quase em cima! Entaõ o problema realmente era esse, a seleção dos pontos iniciais. Fica então uma dúvida: Quando tenho dist. de probabilidades que não conseguimos estimar via Newton Raphson, por exemplo, como podemos ter uma idéias dos melhores pontos iniciais a serem utilizados?? Tem como encontrar alguma forma de se encontrar algo interessante ou é somente por tentativa e erro? Elias, muito obrigado também por compartilhar informação! Acho que vc deu uma dica de como encontrar os melhores pontos iniciais, né? Infelizmente não entendi... vc poderia me explicar melhor... Ah, outra coisa, com relação ao ks.test tbm tinha dúvidas se ele realmente era adequado, uma vez que não tenho os parâmetros e sim estimativas desses, aí gero uma amostra utilizando essas estimativas e isso talvez não fosse o mais indicado pq se o algoritomo tivesse convergido para valores errados de parâmetros e mesmo assim a distribuição osse Weibull o ajuste seria excelente quando na verdade os parâmetros estariam errados, né isso (por favor, me corrija se eu estiver errado)??... Então vc colocou uma abordagem utilizando bootstrap, essa seria uma forma alternativa de utilização do ks.test sendo mais apropriada para esse tipo de problema em que não conheço os parâmetros?? Muito obrigado à todos!! Abraço, Romero. -- *Profº Romero Luiz Mendonça Sales Filho* *Estatístico / Mestre em Engª de ProduçãoUFRPE - UAGCel.: (81) 9667-4477* *romero.sfilho@gmail.com* <romero.sfilho@gmail.com> *romero_sfilho@yahoo.com.br* <romero_sfilho@yahoo.com.br>

Depende muito da situação, valores iniciais é sempre uma coisa critica. O que eu faço é iniciar o algoritmo com diferentes valores e olho se o algoritmo acha sempre o mesmo maximo ou minimo. As vezes tento diferentes algoritmos e pra ter certeza que eu achei o ponto certo faço um perfil de verossimilhança. -- Wagner Hugo Bonat ---------------------------------------------------------------------------------------------- Department of Mathematics and Computer Science (IMADA) University of Southern Denmark (SDU) and Laboratório de Estatística e Geoinformação (LEG) Universidade Federal do Paraná (UFPR)

Boa recomedacao! On 07/05/15 20:16, Wagner Bonat wrote:
perfil de verossimilhança.
-- In God we trust, all others bring data. – William Edwards Deming (1900-1993)

So' vi essa parte depois... segue abaixo a resposta On 07/05/15 17:39, Romero Luiz M. Sales Filho wrote:
Elias, muito obrigado também por compartilhar informação! Acho que vc deu uma dica de como encontrar os melhores pontos iniciais, né? Infelizmente não entendi... vc poderia me explicar melhor... Ah, outra coisa, com relação ao ks.test tbm tinha dúvidas se ele realmente era adequado, uma vez que não tenho os parâmetros e sim estimativas desses, aí gero uma amostra utilizando essas estimativas e isso talvez não fosse o mais indicado pq se o algoritomo tivesse convergido para valores errados de parâmetros e mesmo assim a distribuição osse Weibull o ajuste seria excelente quando na verdade os parâmetros estariam errados, né isso (por favor, me corrija se eu estiver errado)??... Então vc colocou uma abordagem utilizando bootstrap, essa seria uma forma alternativa de utilização do ks.test sendo mais apropriada para esse tipo de problema em que não conheço os parâmetros??
Chute inicial: olhar o histograma (freq=FALSE) e adicionando curvas de densidade (variando os parametros). Essa nao e' a melhor estrategia. Uma boa e' considerar os estimadores de momentos. KS: Porque nao usar a funcao de distribuicao (FD) *teorica*? (Em vez de FD empirica de outra amostra). Bootstrap: 1) se voce tem um estimador para theta, ao fazer reamostragem a distribuicao desse estimador, avaliado nas diferentes reamostras, e' a verdadeira 2) note que a distribuicao sob bootstrap e' assimetrica, para o segundo parametro. Por isso o intervalo assintotico nao e' bom. Pode-se usar verossimilhanca perfilhada para corrigir isso. 3) Note que o algoritmo BFGS funcionou bem em 1000 reamostras! Entao esse nao e' um problema tao dificil assim... Elias -- In God we trust, all others bring data. – William Edwards Deming (1900-1993)
participantes (3)
-
Elias T. Krainski
-
Romero Luiz M. Sales Filho
-
Wagner Bonat