เวอร์ชันย่อที่ไม่อยู่ในบริบท
ปล่อยให้เป็นตัวแปรสุ่มด้วย CDF
สมมติว่าฉันต้องการจำลองการจับด้วยวิธี inverse CDF เป็นไปได้ไหม ฟังก์ชั่นนี้ไม่ได้มีสิ่งที่ตรงกันข้าม จากนั้นอีกครั้งมีการสุ่มตัวอย่างการแปลงผกผันสำหรับการกระจายการผสมของการแจกแจงปกติสองรายการซึ่งแสดงให้เห็นว่ามีวิธีที่รู้จักในการใช้การสุ่มตัวอย่างการแปลงผกผันที่นี่
ฉันทราบวิธีสองขั้นตอน แต่ฉันไม่ทราบวิธีนำไปใช้กับสถานการณ์ของฉัน (ดูด้านล่าง)
รุ่นยาวที่มีพื้นหลัง
ฉันติดตั้งโมเดลต่อไปนี้สำหรับการตอบสนองที่มีค่าเวกเตอร์โดยใช้ MCMC (โดยเฉพาะสแตน):
ที่จัดทำดัชนีการสังเกต ,คือเมทริกซ์สหสัมพันธ์, และเป็นเวกเตอร์ของตัวทำนาย / ถดถอย / คุณลักษณะ
นั่นคือแบบจำลองของฉันเป็นแบบจำลองการถดถอยซึ่งการแจกแจงแบบมีเงื่อนไขของการตอบสนองนั้นเป็นโคคูล่าแบบเกาส์ซึ่งมีระยะขอบล็อกปกติแบบไม่พอง ฉันเคยโพสต์เกี่ยวกับรุ่นนี้มาก่อน ปรากฎว่า Song, Li และ Yuan (2009, gated ) ได้พัฒนามันขึ้นมาและพวกเขาเรียกมันว่า vector GLM หรือ VGLM ต่อไปนี้เป็นข้อกำหนดของพวกเขาใกล้เคียงกับคำต่อคำที่ฉันได้รับ: ของฉัน
ชิ้นส่วนที่ไม่เป็นศูนย์จะเกะกะตามข้อกำหนดของ Liu and Chan (2010, ungated )
ตอนนี้ฉันต้องการจำลองข้อมูลจากพารามิเตอร์ที่ประมาณไว้ แต่ฉันสับสนเล็กน้อยว่าจะทำอย่างไร แรกฉันคิดว่าฉันสามารถจำลองโดยตรง (ในรหัส R):
for (i in 1:N) {
for (k in 1:K) {
Y_hat <- rbinom(1, 1, 1 - theta[i, k])
if (Y_hat == 1)
Y_hat <- rlnorm(1, mu[i, k], sigma[k])
}
}
ซึ่งไม่ได้ใช้เลย ฉันต้องการลองใช้เมทริกซ์สหสัมพันธ์ที่ฉันประเมิน
ความคิดต่อไปของฉันคือการใช้ดึงของแล้วแปลงพวกเขากลับไปYสิ่งนี้ดูเหมือนว่าจะตรงกับคำตอบในการสร้างตัวอย่างจาก Copula ในการสุ่มตัวอย่างRและBivariate สำหรับการแจกแจงที่แสดงในทฤษฎีบทร่วมของ Sklar? . แต่นี่ห่าอะไรคือที่นี่? การสุ่มตัวอย่างการแปลงผกผันสำหรับการกระจายตัวของการแจกแจงปกติสองครั้งทำให้มันฟังดูเหมือนเป็นไปได้ แต่ฉันไม่รู้ว่าจะทำอย่างไร