Kumaraswamy逆威布尔分布参数估计：optim函数mu参数收敛异常求助

1. 先确认参数可识别性 #

先固定sigma和nu为真实值，绘制mu的似然剖面，确认似然峰值是否在真实值（2）附近：

library(RelDists)
set.seed(123)
n = 10000
y = rKumIW(n, mu = 2, sigma = 2.3, nu = 3.5)

mu_vals <- seq(0.5, 3, by = 0.1)
ll_vals <- sapply(mu_vals, function(m) sum(log(dKumIW(y, mu = m, sigma = 2.3, nu = 3.5))))

plot(mu_vals, ll_vals, type = "l", xlab = "mu", ylab = "对数似然", main = "mu的似然剖面")
abline(v = 2, col = "red", lty = 2)

如果曲线峰值在2附近，说明参数可识别，问题出在优化环节；如果峰值偏移，再排查数据生成或分布定义问题。

2. 调整优化策略 #

更换优化方法或收敛阈值 #

你当前用的L-BFGS-B可以调整控制参数，或改用BFGS方法：

# 改用BFGS并收紧收敛阈值
start = c(4, 2, 3)
fit2 <- optim(start, ll, x = y, method = "BFGS", control = list(fnscale = -1, factr = 1e4))
fit2

# 调整L-BFGS-B的下界和收敛阈值
fit3 <- optim(start, ll, x = y, method = "L-BFGS-B", 
              control = list(fnscale = -1, factr = 1e4),
              lower = c(1e-3, 1e-3, 1e-3), upper = c(Inf, Inf, Inf))
fit3

factr默认是1e7，调小到1e4会让收敛判断更严格，避免过早停止。

对mu做对数变换 #

由于mu>0，估计log(mu)能提升数值稳定性，避免优化陷入边界：

ll_transform <- function(par, x){
  mu <- exp(par[1])
  sigma <- par[2]
  nu <- par[3]
  n <- length(x)
  ll = n*log(sigma) + n*log(nu) + n*log(mu) - 
    (mu+1)*sum(log(x)) - sigma*sum(x^-mu) +
    (nu-1)*sum(log(1-exp(-sigma*(x^-mu))))
  return(ll)
}

start_transform <- c(log(4), 2, 3)
fit4 <- optim(start_transform, ll_transform, x = y, method = "BFGS", control = list(fnscale = -1))
fit4$par[1] <- exp(fit4$par[1]) # 转换回原始mu
fit4

3. 用gamlss直接拟合（最推荐） #

既然已经加载了gamlss，直接用其内置的KumIW分布拟合接口，无需自定义似然，算法更适配分布特性：

library(gamlss)
fit_gamlss <- gamlss(y ~ 1, family = KumIW, trace = FALSE)
summary(fit_gamlss)

这个方法通常能直接得到正确的参数估计，因为gamlss针对分布拟合做了数值优化和参数识别处理。

4. 排查数值敏感度 #

如果mu的似然剖面很平坦，说明似然函数对mu的变化不敏感，可以：

• 检查sum(x^-mu)在不同mu下的数值差异：

  sapply(c(1,2,3), function(m) sum(y^-m))
  

• 若差异极小，可尝试更大的样本量（你当前的10000已经足够大，大概率不是这个问题）。

内容的提问来源于stack exchange，提问作者César Augusto