A versão curta fora do contexto
Seja uma variável aleatória com CDF
Digamos que eu queira simular empates de usando o método CDF inverso. Isso é possível? Esta função não tem exatamente um inverso. Então, novamente, há amostragem de transformação inversa para distribuição de mistura de duas distribuições normais, o que sugere que há uma maneira conhecida de aplicar amostragem de transformação inversa aqui.
Estou ciente do método de duas etapas, mas não sei como aplicá-lo à minha situação (veja abaixo).
A versão longa com fundo
Eu ajustei o seguinte modelo para uma resposta com valor vetorial, , usando o MCMC (especificamente, Stan):
onde indexa observações, é uma matriz de correlação e é um vetor de preditores / regressores / características.N R x
Ou seja, meu modelo é um modelo de regressão em que a distribuição condicional da resposta é assumida como uma cópula gaussiana com marginais log-normais inflados a zero. Eu postei sobre esse modelo antes; Acontece que Song, Li e Yuan (2009, gated ) o desenvolveram e o chamam de vetor GLM, ou VGLM. A seguir, a especificação deles é o mais aproximada possível: MeuF K G m z q R Γ
A peça inflada com zero segue aproximadamente as especificações de Liu e Chan (2010, sem porta ).
Agora, eu gostaria de simular dados dos parâmetros estimados, mas estou um pouco confuso sobre como fazê-lo. Primeiro, pensei em simular diretamente (no código 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])
}
}
que não usa em tudo. Eu gostaria de tentar realmente usar a matriz de correlação que estimei.
Minha próxima idéia foi pegar e convertê-los de volta para . Isso também parece coincidir com as respostas em Gerando amostras de Copula na amostragem R e bivariada para distribuição expressa no teorema da cópula de Sklar? . Mas que diabos é o meu aqui? A amostragem de transformação inversa para distribuição de mistura de duas distribuições normais faz parecer que isso é possível, mas não tenho idéia de como fazê-lo.e F - 1