Distribuição gaussiana com momentos de ordem superior

10

Para a distribuição gaussiana com média e variância desconhecidas, as estatísticas suficientes na forma de família exponencial padrão são . I têm uma distribuição que tem T ( x ) = ( x , x 2 , . . . , X 2 N )T(x)=(x,x2)T(x)=(x,x2,...,x2N), onde N é como um parâmetro de design. Existe uma distribuição conhecida correspondente para esse tipo de vetor estatístico suficiente? Eu preciso de amostras dessa distribuição, portanto é crucial para mim obter amostras exatas da distribuição. Muito obrigado.

YBE
fonte
Você já tentou integrar para encontrar o normalizador de log?
31512 Neil G
Não está claro se você está falando sobre momentos ou estatísticas suficientes
Henry
@NeilG, eu tenho um log-normalizador que é bastante complicado coisa, o que eu realmente me pergunto é se há ou não uma distribuição conhecida com tais estatísticas suficientes,
YBE
@ Henry, estou falando de estatística suficiente, tentei fazer uma analogia com o caso gaussiano, em que estatística suficiente x corresponde à média ex x ^ 2 corresponde ao momento da variância / segunda ordem.
YBE 29/09/12
2
@ MichaelChernick: Para uma estatística, medida de transportadora e suporte suficientes, é possível integrar o suporte para encontrar o normalizador de log. Se o normalizador de log for finito, acho que a família existe. Ele fez isso e está perguntando se essa família tem um nome.
31512 Neil G

Respostas:

4

Se você começar com uma estatística "suficiente" , poderá definir um número infinito de distribuições. Ou seja, para cada função mensurável h ( ) contra uma medida arbitrária d Ganhe muitos sobre seu espaço de amostragem, f ( x | q ) = expT(x)h()dλ é uma densidade de uma família exponencial e, para cadaamostra n e iid ( x 1 , , x n ) dessa densidade, a estatística n i = 1 T ( x

f(x|θ)=exp{θT(x)-τ(θ)}h(x)
n(x1 1,,xn) é suficiente. Por exemplo, para qualquer função mensurável h , você pode definir uma densidade por h ( x )
Eu=1 1nT(xEu)
h que significa que T ( x ) = ( x , x 2 ) também é suficiente para esta distribuição.
h(x)exp{-(x-μ)2/σ2}/Rh(y)exp{-(y-μ)2/σ2}dλ(y)
T(x)=(x,x2)

(h,T)

Xi'an
fonte