แกมม่าและ lognormal มีทั้งการแจกแจงความเบ้ขวาสัมประสิทธิ์คงที่ของการเปลี่ยนแปลงในและพวกเขามักจะเป็นพื้นฐานของแบบจำลอง "การแข่งขัน" สำหรับปรากฏการณ์บางชนิด(0,∞)
มีหลายวิธีในการกำหนดความหนักเบาของหาง แต่ในกรณีนี้ฉันคิดว่าคนปกติทุกคนแสดงว่า lognormal หนักกว่า (สิ่งที่คนแรกอาจพูดถึงคือสิ่งที่เกิดขึ้นไม่ได้อยู่ในหางไกล แต่ทางด้านขวาของโหมด (พูดราว ๆ 75 เปอร์เซ็นไทล์บนพล็อตแรกด้านล่างซึ่งสำหรับ lognormal อยู่ต่ำกว่า 5 และแกมม่าที่สูงกว่า 5. )
อย่างไรก็ตามเรามาสำรวจคำถามด้วยวิธีง่าย ๆ ในการเริ่มต้น
ด้านล่างคือความหนาแน่นแกมมาและ lognormal ที่มีค่าเฉลี่ย 4 และความแปรปรวน 4 (พล็อตด้านบน - แกมม่าเป็นสีเขียวเข้ม, lognormal เป็นสีน้ำเงิน) จากนั้นบันทึกของความหนาแน่น (ด้านล่าง) เพื่อให้คุณสามารถเปรียบเทียบแนวโน้มในก้อย:
เป็นการยากที่จะเห็นรายละเอียดมากมายในพล็อตด้านบนเนื่องจากการกระทำทั้งหมดอยู่ทางขวาของ 10 แต่มันค่อนข้างชัดเจนในพล็อตที่สองที่แกมม่ามุ่งหน้าลงอย่างรวดเร็วมากกว่า lognormal
วิธีการสำรวจความสัมพันธ์ก็คือการมองไปที่ความหนาแน่นของการบันทึกเช่นเดียวกับในคำตอบที่นี่ ; เราเห็นว่าความหนาแน่นของท่อนซุงสำหรับ lognormal นั้นสมมาตร (มันเป็นเรื่องปกติ!) และสำหรับแกมม่านั้นเอียงซ้ายโดยมีหางแสงอยู่ทางขวา
เราสามารถทำพีชคณิตได้โดยที่เราสามารถดูอัตราส่วนของความหนาแน่นเป็น (หรือบันทึกของอัตราส่วน) ให้เป็นความหนาแน่นแกมมาและ lognormal:x→∞gf
log(g(x)/f(x))=log(g(x))−log(f(x))
=log(1Γ(α)βαxα−1e−x/β)−log(12π−−√σxe−(log(x)−μ)22σ2)
=−k1−(α−1)log(x)−x/β−(−k2−log(x)−(log(x)−μ)22σ2)
=[c−(α−2)log(x)+(log(x)−μ)22σ2]−x/β
ระยะใน [] เป็นกำลังสองในในขณะที่ระยะเวลาที่เหลือจะลดลงเป็นเส้นตรงในxไม่ว่าอะไรก็ตามในที่สุดจะลดลงเร็วกว่ากำลังสองเพิ่มขึ้นโดยไม่คำนึงว่าค่าพารามิเตอร์คืออะไร ในขอบเขตที่อัตราส่วนของความหนาแน่นลดลงต่อซึ่งหมายความว่าแกมม่า pdf ในที่สุดก็เล็กกว่า lognormal pdf และมันก็ลดลงค่อนข้าง หากคุณเลือกอัตราส่วนด้วยวิธีอื่น (โดยมี lognormal อยู่ด้านบน) ในที่สุดอัตราส่วนดังกล่าวจะต้องเพิ่มขึ้นเกินขอบเขตที่กำหนดlog(x)x−x/βx→∞−∞
นั่นคือ lognormal ใดก็ตามในที่สุดก็หนักเทลด์กว่าใด ๆแกมมา
คำจำกัดความอื่น ๆ ของความหนักเบา:
บางคนมีความสนใจเรื่องความเบ้หรือความโด่งเพื่อวัดความหนักเบาของหางขวา ที่ค่าสัมประสิทธิ์ที่กำหนดของความแปรปรวนlognormalทั้งเอียงมากขึ้นและมี kurtosis สูงกว่าแกมมา **
ตัวอย่างเช่นกับเบ้แกมมามีความเบ้ของ 2CV ขณะ lognormal เป็น 3CV + CV 33
มีคำจำกัดความทางเทคนิคของมาตรการต่าง ๆ ว่าหางอยู่ที่นี่อย่างไร คุณอาจต้องการลองบางตัวที่มีการแจกแจงสองแบบนี้ lognormal เป็นกรณีพิเศษที่น่าสนใจในนิยามแรก - ทุกช่วงเวลามีอยู่ แต่ MGF ของมันไม่ได้บรรจบกันมากกว่า 0 ในขณะที่ MGF สำหรับ Gamma จะรวมตัวกันในละแวกใกล้เคียงศูนย์
-
** ตามที่ Nick Cox กล่าวไว้ด้านล่างการเปลี่ยนแปลงตามปกติเพื่อประมาณค่าปกติสำหรับแกมม่าการแปลงแบบ Wilson-Hilferty นั้นอ่อนแอกว่าบันทึก - มันเป็นการแปลงรูทแบบลูกบาศก์ ที่ค่าขนาดเล็กของพารามิเตอร์รูปร่างรูตที่สี่ถูกกล่าวถึงแทนดูการอภิปรายในคำตอบนี้แต่ในกรณีใดกรณีหนึ่งเป็นการเปลี่ยนแปลงที่อ่อนแอกว่าเพื่อให้ได้ใกล้เคียงกับมาตรฐาน
การเปรียบเทียบความเบ้ (หรือ kurtosis) ไม่แนะนำความสัมพันธ์ที่จำเป็นในหางที่รุนแรง - มันบอกเราบางอย่างเกี่ยวกับพฤติกรรมโดยเฉลี่ย แต่มันอาจจะทำงานได้ดีกว่าถ้าจุดเดิมไม่ได้ถูกสร้างขึ้นมาจากหางที่รุนแรง
ทรัพยากร : มันง่ายที่จะใช้โปรแกรมเช่น R หรือ Minitab หรือ Matlab หรือ Excel หรืออะไรก็ตามที่คุณชอบที่จะวาดความหนาแน่นและความหนาแน่นของบันทึกและบันทึกอัตราส่วนความหนาแน่น ... และอื่น ๆ เพื่อดูว่ามีอะไรเกิดขึ้นบ้างในบางกรณี นั่นคือสิ่งที่ฉันขอแนะนำให้เริ่มต้นด้วย