talhatANM = list (C[[1]]%*%Thetahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[1]])$quantile*Adeltahat[[1]],C[[2]]%*%Thetahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[2]])$quantile*Adeltahat[[2]],C[[3]]%*%Thetahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[3]])$quantile*Adeltahat[[3]])
DeltauhatANM =list (C[[1]]%*%Thetahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[1]])$quantile*Adeltahat[[1]],C[[2]]%*%Thetahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[2]])$quantile*Adeltahat[[2]],C[[3]]%*%Thetahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrdeltahat[[3]])$quantile*Adeltahat[[3]])
RholhatANM = list (exp(C[[1]]%*%Etahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[1]])$quantile*Arhohat[[1]]),exp(C[[2]]%*%Etahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[2]])$quantile*Arhohat[[2]]),exp(C[[3]]%*%Etahat-qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[3]])$quantile*Arhohat[[3]]))
RhouhatANM = list (exp(C[[1]]%*%Etahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[1]])$quantile*Arhohat[[1]]),exp(C[[2]]%*%Etahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[2]])$quantile*Arhohat[[2]]),exp(C[[3]]%*%Etahat+qmvnorm(1-alpha,tail=”both.tail”,corr=Corrrhohat[[3]])$quantile*Arhohat[[3]]))
result1 = c(sum(Rho[[1]]>=RholhatANM[[1]] & Rho[[1]]<=RhouhatANM[[1]]),sum(Rho[[2]]>=RholhatANM[[2]] & Rho[[2]]<=RhouhatANM[[2]]),sum(Rho[[3]]>=RholhatANM[[3]] & Rho[[3]]<=RhouhatANM[[3]]))
result2= c(sum(Delta[[1]]>=DeltalhatANM[[1]] & Delta[[1]]<=DeltauhatANM[[1]]),sum(Delta[[2]]>=DeltalhatANM[[2]] & Delta[[2]]<=DeltauhatANM[[2]]),sum(Delta[[3]]>=DeltalhatANM[[3]] & Delta[[3]]<=DeltauhatANM[[3]]))
result3 = c(sum(Rho[[1]] result4= c(sum(Delta[[1]] if(result1[1]==3) count1[1]=count1[1]+1
if(result1[2]==6) count1[2]=count1[2]+1
if(result1[3]==4) count1[3]=count1[3]+1
if(result2[1]==3) count2[1]=count2[1]+1
if(result2[2]==6) count2[2]=count2[2]+1
if(result2[3]==4) count2[3]=count2[3]+1
if(result3[1]!=0) count3[1]=count3[1]+1
if(result3[2]!=0) count3[2]=count3[2]+1
if(result4[1]!=0) count4[1]=count4[1]+1
if(result4[2]!=0) count4[2]=count4[2]+1
}
Outp1 = c(count1, count2)/N
Outp2=c((Count3[1]-count3[2])/(K-count1[1]), (Count4[1]-count4[2])/(K-count2[1]))
Cat(“estimates of 1-alpha are”,Outp1,”n”)
Cat(“estimates of relative bias are”,Outp2,”n”)

شبیه سازی فواصل اطمینان همزمان برای مقایسه نسبت و اختلاف میانگین های لاگ نرمال با استفاده از روشGPQB

برای سطح معنی داری α (alpha) و مقادیر مختلف (μ_1,…,μ_I) (Mu) و (σ_1^2,…,σ_I^2) (Var) ، 10000بار(t) مقادیر (y ̅_1,…,y ̅_I) (Ybar) و (s_1^2,…,s_I^2) (S2) ، را تولید می کنیم. سپس 10000 بار نمونه تصادفی از توزیع نرمال استاندارد (Z) و توزیع کای اسکور با (n_i-1) درجه آزادی(U) تولید می کنیم. در هر بار از نمونه تصادفی تولید شده r_mk (R)و d_mk (D) را با توجه به روابط (3-3-6) تا (3-3-8) محاسبه می کنیم. سپس با استفاده از الگوریتم (3-3-1) حدود فواصل اطمینان همزمان را برای پارامتر های ρ_m و δ_m محاسبه می کنیم. نسبت فواصل اطمینان های همزمانی که پارامترهای ρ_m و δ_m درون آن قرار می گیرد، برآورد احتمال پوشش همزمان خواهد بود.
N = 10000
K = 10000
n = c(5, 5, 5, 5)
Var = c(2, 2, 1, 0.5)
I = length(n)
Mu = c(1, 1, 1, 1)
Theta = exp(Mu+Var/2)
Eta = log(Theta)
alpha = 0.05
#———————contrast matrices C———————–
C=list(cbind(array(-1,I-1),diag(1, I – 1)),rbind(cbind(array(-1,I-1),diag(1, I – 1)),matrix(c(0,-1,1,0,0,-1,0,1,0,0,-1,1),nrow=3,byrow=T)),matrix(c(-1,0,1,0,-1,0,0,1,0,-1,1,0,0,-1,0,1),nrow=4,byrow=T))
M =c(nrow(C[[1]]),nrow(C[[2]]),nrow(C[[3]]))
#————————Program——————————–
alphaB = c(alpha/(2*M[1]),alpha/(2*M[2]),alpha/(2*M[3]))
count1 = count2 = rep(0,3)
W = matrix(rep(n, K), byrow=F, nrow=I, ncol=K)
W1 = W – 1
Rho = list(exp( C[[1]]%*%Eta),exp(C[[2]]%*%Eta),exp(C[[3]]%*%Eta))

Leave a Reply