如果你也在 怎样统计计算Statistical Computing这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。统计计算Statistical Computing是统计学和计算机科学之间的纽带。它意味着通过使用计算方法来实现的统计方法。它是统计学的数学科学所特有的计算科学（或科学计算）的领域。这一领域也在迅速发展，导致人们呼吁应将更广泛的计算概念作为普通统计教育的一部分。与传统统计学一样，其目标是将原始数据转化为知识，[2]但重点在于计算机密集型统计方法，例如具有非常大的样本量和非同质数据集的情况。
许多统计建模和数据分析技术可能难以掌握和应用，因此往往需要使用计算机软件来帮助实施大型数据集并获得有用的结果。S-Plus是公认的最强大和最灵活的统计软件包之一，它使用户能够应用许多统计方法，从简单的回归到时间序列或多变量分析。该文本广泛涵盖了许多基本的和更高级的统计方法，集中于图形检查，并具有逐步说明的特点，以帮助非统计学家充分理解方法。
my-assignmentexpert™统计计算Statistical Computing作业代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。my-assignmentexpert™， 最高质量的统计计算Statistical Computing作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于统计Statistics作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此统计计算Statistical Computing作业代写的价格不固定。通常在经济学专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。
想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。
my-assignmentexpert™ 为您的留学生涯保驾护航 在统计计算Statistical Computing作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计计算Statistical Computing代写服务。我们的专家在统计计算Statistical Computing代写方面经验极为丰富，各种统计计算Statistical Computing相关的作业也就用不着 说。
我们提供的统计计算Statistical Computing及其相关学科的代写，服务范围广, 其中包括但不限于:
- 随机微积分 Stochastic calculus
- 随机分析 Stochastic analysis
- 随机控制理论 Stochastic control theory
- 微观经济学 Microeconomics
- 数量经济学 Quantitative Economics
- 宏观经济学 Macroeconomics
- 经济统计学 Economic Statistics
- 经济学理论 Economic Theory
- 计量经济学 Econometrics
统计代写
数学代写|统计计算作业代写Statistical Computing代考|Continuous state space
In its general form, the Metropolis-Hastings method can be used on nearly arbitrary state spaces. In order to avoid technical complications, we do not give the general form of the algorithm here but, instead, consider the most important special cases separately. In this section, we will discuss the case where the state space is $S=\mathbb{R}^{d}$. The following section considers the case of finite or countable state space.
Algorithm 4.2 (Metropolis-Hastings method for continuous state space) input:
a probability density $\pi$ (the target density)
a transition density $p: S \times S \rightarrow[0, \infty)$
$$
X_{0} \in{x \in S \mid \pi(x)>0}
$$
randomness used:
independent samples $Y_{j}$ from the transition density $p$ (the proposals) $U_{j} \sim \mathcal{U}[0,1]$ i.i.d.
output:
a sample of a Markov chain $X$ with stationary density $\pi$.
As an abbreviation we define a function $\alpha: S \times S \rightarrow[0,1]$ by
$$
\alpha(x, y)=\min \left(\frac{\pi(y) p(y, x)}{\pi(x) p(x, y)}, 1\right)
$$
数学代写|统计计算作业代写STATISTICAL COMPUTING代考|Discrete state space
In this section, we state the Metropolis-Hastings algorithm for discrete state spaces. The algorithm for this case is obtained from algorithm $4.2$ by replacing densities with probability weights. Since the situation of discrete state is less technically challenging, here we prove a slightly better result than we did for the continuous case in proposition 4.3.
Algorithm 4.4 (Metropolis-Hastings method for discrete state space) input:
a probability vector $\pi \in \mathbb{R}^{S}$ (the target distribution)
a transition matrix $P=\left(p_{x y}\right){x, y \in S}$ $X{0} \in S$ with $\pi_{X_{0}}>0$
randomness used:
independent samples $Y_{j}$ from the transition matrix $P$ (the proposals) $U_{j} \sim \mathcal{U}[0,1]$ i.i.d.
output:
a sample of a Markov chain $X$ with stationary distribution $\pi$.
As an abbreviation we define a function $\alpha: S \times S \rightarrow[0,1]$ by
$$
\alpha(x, y)=\min \left(\frac{\pi_{y} p_{y x}}{\pi_{x} p_{x y}}, 1\right)
$$
数学代写|统计计算作业代写STATISTICAL COMPUTING代考|Random walk Metropolis sampling
The random walk Metropolis algorithm discussed in this section is an important special case of the Metropolis-Hastings algorithm. It can be considered both for the continuous and for the discrete case; here we restrict ourselves to the continuous case and refer to example $4.8$ for an illustration of the corresponding discrete case.
The Metropolis-Hastings method for the case $p(x, y)=p(y, x)$ is called the Metropolis method. In this case, the expression for the acceptance probability $\alpha$ simplifies to
$$
\alpha(x, y)=\min \left(\frac{\pi(y) p(y, x)}{\pi(x) p(x, y)}, 1\right)=\min \left(\frac{\pi(y)}{\pi(x)}, 1\right)
$$
for all $x, y \in S$ with $\pi(x)>0$ (or $\pi_{y} / \pi_{x}$ for discrete state space). The condition $p(x, y)=p(y, x)$ is, for example, satisfied when the proposals $Y_{j}$ are constructed as
$$
Y_{j}=X_{j-1}+\varepsilon_{j}
$$
where the $\varepsilon_{j}$ are i.i.d. with a symmetric distribution (i.e. $\varepsilon_{j}$ has the same distribution as $-\varepsilon_{j}$ ). We only state the version of the resulting algorithm for continuous state space $S$, the discrete version is found by using a probability vector instead of a density for the target distribution.
数学代写|统计计算作业代写STATISTICAL COMPUTING代考|CONTINUOUS STATE SPACE
Metropolis-Hastings 方法的一般形式可以用于几乎任意的状态空间。为了避免技术上的复杂性，我们在这里不给出算法的一般形式，而是分别考虑最重要的特殊情况。在本节中，我们将讨论状态空间为小号=Rd. 以下部分考虑有限或可数状态空间的情况。
算法 4.2米和吨r○p○一世一世s−H一种s吨一世nGs米和吨H○dF○rC○n吨一世n你○你ss吨一种吨和sp一种C和输入：
概率密度圆周率 吨H和吨一种rG和吨d和ns一世吨和
过渡密度p:小号×小号→[0,∞)
X0∈X∈小号∣圆周率(X)>0
使用的随机性：
独立样本和j从过渡密度p 吨H和pr○p○s一种一世s üj∼ü[0,1]iid
输出：
马尔可夫链的样本X具有固定密度圆周率.
作为缩写，我们定义一个函数一种:小号×小号→[0,1]经过
一种(X,和)=分钟(圆周率(和)p(和,X)圆周率(X)p(X,和),1)
数学代写|统计计算作业代写STATISTICAL COMPUTING代考|DISCRETE STATE SPACE
在本节中，我们陈述离散状态空间的 Metropolis-Hastings 算法。这种情况的算法是从算法中得到的4.2通过用概率权重替换密度。由于离散状态的情况在技术上的挑战性较小，因此我们证明了比命题 4.3 中的连续情况稍好一些的结果。
算法 4.4米和吨r○p○一世一世s−H一种s吨一世nGs米和吨H○dF○rd一世sCr和吨和s吨一种吨和sp一种C和输入：
一个概率向量圆周率
a probability density $\pi$ (the target density)
a transition density $p: S \times S \rightarrow[0, \infty)$
$$
X_{0} \in{x \in S \mid \pi(x)>0}
$$
randomness used:
independent samples $Y_{j}$ from the transition density $p$ (the proposals) $U_{j} \sim \mathcal{U}[0,1]$ i.i.d.
output:
a sample of a Markov chain $X$ with stationary density $\pi$.
As an abbreviation we define a function $\alpha: S \times S \rightarrow[0,1]$ by
$$
\alpha(x, y)=\min \left(\frac{\pi(y) p(y, x)}{\pi(x) p(x, y)}, 1\right)
$$
分钟(圆周率和p和X圆周率XpX和,1)$
数学代写|统计计算作业代写STATISTICAL COMPUTING代考|RANDOM WALK METROPOLIS SAMPLING
本节讨论的随机游走 Metropolis 算法是 Metropolis-Hastings 算法的一个重要特例。既可以考虑连续情况，也可以考虑离散情况；在这里，我们将自己限制在连续情况并参考示例4.8用于说明相应的离散情况。
案例的 Metropolis-Hastings 方法p(X,和)=p(和,X)称为 Metropolis 方法。在这种情况下，接受概率的表达式一种简化为
一种(X,和)=分钟(圆周率(和)p(和,X)圆周率(X)p(X,和),1)=分钟(圆周率(和)圆周率(X),1)
对所有人X,和∈小号和圆周率(X)>0 ○r$圆周率和/圆周率X$F○rd一世sCr和吨和s吨一种吨和sp一种C和. 条件p(X,和)=p(和,X)例如，当提案满足和j构造为
和j=Xj−1+ej
在哪里ej具有对称分布的独立同分布一世.和.$ej$H一种s吨H和s一种米和d一世s吨r一世b你吨一世○n一种s$−ej$. 我们只说明连续状态空间的结果算法的版本小号，离散版本是通过使用概率向量而不是目标分布的密度来找到的。
计量经济学代写请认准my-assignmentexpert™ Economics 经济学作业代写
微观经济学代写请认准my-assignmentexpert™ Economics 经济学作业代写
宏观经济学代写请认准my-assignmentexpert™ Economics 经济学作业代写
