การค้นหา MLE สำหรับกระบวนการฮอว์คส์แบบเอกซ์เรย์ที่ไม่แปรเปลี่ยน

กระบวนการฮอว์คส์ชี้แจงที่ไม่แปรปรวนเป็นกระบวนการจุดที่น่าตื่นเต้นในตัวเองโดยมีอัตราการมาถึงของเหตุการณ์:

$\lambda(t) = \mu + \sum\limits_{t_i<t}{\alpha e^{-\beta(t-t_i)}}$

ที่บางครั้งเหตุการณ์ที่เดินทางมาถึง$t_1,..t_n$

ฟังก์ชันโอกาสในการบันทึกคือ

$- t_n \mu + \frac{\alpha}{\beta} \sum{( e^{-\beta(t_n-t_i)}-1 )} + \sum\limits_{i<j}{\ln(\mu+\alpha e^{-\beta(t_j-t_i)})}$

ซึ่งสามารถคำนวณซ้ำ:

$- t_n \mu + \frac{\alpha}{\beta} \sum{( e^{-\beta(t_n-t_i)}-1 )} + \sum{\ln(\mu+\alpha R(i))}$

$R(i) = e^{-\beta(t_i-t_{i-1})} (1+R(i-1))$

$R(1) = 0$

ฉันสามารถใช้วิธีการเชิงตัวเลขใดเพื่อค้นหา MLE วิธีการปฏิบัติที่ง่ายที่สุดที่จะใช้คืออะไร?

Nelder-มธุรสเริมอัลกอริทึมที่ดูเหมือนว่าจะทำงานได้ดี .. มันจะดำเนินการใน Java โดยห้องสมุด Apache Commons คณิตศาสตร์ที่https://commons.apache.org/math/ ผมเคยเขียนบทความเกี่ยวกับฮอว์คการประมวลผลที่จุดกระบวนการรุ่นสำหรับหลายตัวแปรความถี่สูงไม่สม่ำเสมอเว้นระยะข้อมูล

เฟลิกซ์, การใช้การแปลง exp / บันทึกดูเหมือนว่าจะมั่นใจในพารามิเตอร์ สำหรับอัลฟ่าสิ่งเล็กค้นหา arxiv.org สำหรับกระดาษที่เรียกว่า "ทฤษฎีบทขีด จำกัด สำหรับกระบวนการ hawkes เกือบไม่เสถียร"

ฉันแก้ไขปัญหานี้โดยใช้ไลบรารีnlopt ฉันพบว่ามีวิธีการหลายอย่างมาบรรจบกันอย่างรวดเร็ว

คุณสามารถทำอย่างง่าย ๆ ให้ได้มากที่สุด ใน R:

neg.loglik <- function(params, data, opt=TRUE) {
  mu <- params[1]
  alpha <- params[2]
  beta <- params[3]
  t <- sort(data)
  r <- rep(0,length(t))
  for(i in 2:length(t)) {
    r[i] <- exp(-beta*(t[i]-t[i-1]))*(1+r[i-1])
  }
  loglik <- -tail(t,1)*mu
  loglik <- loglik+alpha/beta*sum(exp(-beta*(tail(t,1)-t))-1)
  loglik <- loglik+sum(log(mu+alpha*r))
  if(!opt) {
    return(list(negloglik=-loglik, mu=mu, alpha=alpha, beta=beta, t=t,
                r=r))
  }
  else {
    return(-loglik)
  }
}

# insert your values for (mu, alpha, beta) in par
# insert your times for data
opt <- optim(par=c(1,2,3), fn=neg.loglik, data=data)