สำหรับข้อมูลที่เบ้และหนักมากฉันใช้ (และพัฒนา) กรอบการกระจาย Lambert W x F Lambert W x F การแจกแจงแบบเบ้และหางเท่นั้นขึ้นอยู่กับการแปลงแบบไม่เชิงเส้นของตัวแปรสุ่มอินพุต (RV)เพื่อเอาท์พุทซึ่งคล้ายกับ X แต่เบ้และ / หรือ heavy tailed (ดูเอกสารสำหรับสูตรโดยละเอียด)Y L มขอีอาร์ทีW × FX∼FY LambertW×F
งานนี้โดยทั่วไปสำหรับ RV อย่างต่อเนื่องใด ๆ แต่ในทางปฏิบัติเรามีความสนใจส่วนใหญ่อยู่ในเกาส์2) สำหรับการแจกแจง Lambert Wx F แบบหนักเทลด์อินเวิร์สคือ bijective และสามารถประมาณจากข้อมูลโดยใช้ตัวประมาณที่คุณชื่นชอบสำหรับพารามิเตอร์ (MLE วิธีการของช่วงเวลา การวิเคราะห์แบบเบย์, ... ). สำหรับและ X เป็น Gaussian มันจะลดการกระจายของ Tukey เป็น hθ = ( μ x , σ x , δ , α ) α ≡ 1X∼N(μ,σ2)θ=(μx,σx,δ,α)α≡1
ตอนนี้เมื่อการแปลงข้อมูลกลายเป็นเรื่องที่น่าสนใจเมื่อการแปลงเปลี่ยนเป็น bijective (เกือบ bijective สำหรับกรณีที่เอียง) และสามารถรับได้อย่างชัดเจนโดยใช้ฟังก์ชันW ของ Lambert (ดังนั้นชื่อ Lambert W x F) ซึ่งหมายความว่าเราสามารถลบความเบ้จากข้อมูลและยังลบหางหนา (bijectively!)
คุณสามารถลองใช้แพ็คเกจ LambertW R พร้อมกับคู่มือที่แสดงตัวอย่างมากมายเกี่ยวกับวิธีใช้
สำหรับแอปพลิเคชันดูโพสต์เหล่านี้