这个学生的 t 分布 CDF 计算中有任何明显的缺陷吗?
Any obvious pitfalls in this Student's t-distribution CDF computation?
我一直在寻找计算学生 t 分布的 CDF(累积分布函数)的有效函数。
这是我在查看 another Whosebug question, JStat library, the_subtprob function on Line 317 here 后确定的内容。
查看上一篇参考文献中的注释让我找到了一本绝版书,这对我没有帮助
If you are interested in more precise algorithms you
could look at: StatLib: http://lib.stat.cmu.edu/apstat/ ;
Applied Statistics Algorithms by Griffiths, P. and Hill, I.D.
Ellis Horwood: Chichester (1985)
cmu 站点有一个我翻译的 FORTRAN 函数,如下所示。
查看其他来源,我发现高阶函数,如不完整的 beta、log gamma,并且实现似乎更复杂,并且在一种情况下是迭代的。
我想知道这个实现是否有任何已知的缺陷。它似乎产生与其他人相同的结果。关于如何评估这一点的任何想法也会有所帮助。
function tcdf (t, v) {
//
// ALGORITHM AS 3 APPL. STATIST. (1968) VOL.17, P.189
// STUDENT T PROBABILITY (LOWER TAIL)
//
var b = v / (v + t * t),
c = 1,
s = 1,
ioe = v % 2,
k = 2 + ioe;
if (v < 1) {
return 0;
}
if (v >= 4) {
while (k <= v - 2) {
c *= b - b / k;
s += c;
k += 2;
}
}
c = t / Math.sqrt(v);
if (1 !== ioe) {
return 0.5 + 0.5 * Math.sqrt(b) * c * s;
}
return 0.5 + ((1 === v ? 0 : b * c * s) + Math.atan(c)) / Math.PI;
}
此算法可能存在两个问题。
处理 v
的大值。当 v
变大时,我们应该恢复标准正态分布。但是,您在 v
上有一个 while
循环。所以v=1000000
说,变慢了
尾部精度。该算法如何应对极端的尾巴?通常,我们需要使用 log
来避免舍入错误。
我一直在寻找计算学生 t 分布的 CDF(累积分布函数)的有效函数。
这是我在查看 another Whosebug question, JStat library, the_subtprob function on Line 317 here 后确定的内容。
查看上一篇参考文献中的注释让我找到了一本绝版书,这对我没有帮助
If you are interested in more precise algorithms you could look at: StatLib: http://lib.stat.cmu.edu/apstat/ ;
Applied Statistics Algorithms by Griffiths, P. and Hill, I.D.
Ellis Horwood: Chichester (1985)
cmu 站点有一个我翻译的 FORTRAN 函数,如下所示。
查看其他来源,我发现高阶函数,如不完整的 beta、log gamma,并且实现似乎更复杂,并且在一种情况下是迭代的。
我想知道这个实现是否有任何已知的缺陷。它似乎产生与其他人相同的结果。关于如何评估这一点的任何想法也会有所帮助。
function tcdf (t, v) {
//
// ALGORITHM AS 3 APPL. STATIST. (1968) VOL.17, P.189
// STUDENT T PROBABILITY (LOWER TAIL)
//
var b = v / (v + t * t),
c = 1,
s = 1,
ioe = v % 2,
k = 2 + ioe;
if (v < 1) {
return 0;
}
if (v >= 4) {
while (k <= v - 2) {
c *= b - b / k;
s += c;
k += 2;
}
}
c = t / Math.sqrt(v);
if (1 !== ioe) {
return 0.5 + 0.5 * Math.sqrt(b) * c * s;
}
return 0.5 + ((1 === v ? 0 : b * c * s) + Math.atan(c)) / Math.PI;
}
此算法可能存在两个问题。
处理
v
的大值。当v
变大时,我们应该恢复标准正态分布。但是,您在v
上有一个while
循环。所以v=1000000
说,变慢了尾部精度。该算法如何应对极端的尾巴?通常,我们需要使用
log
来避免舍入错误。