hyperbFit(mydata,hessian=TRUE)我使用命令（包 HyperbolicDist）为我的数据拟合了双曲线分布。粗麻布看起来像：

> hyperbfitmymodel$hessian
            hyperbPi      lZeta     lDelta            mu
hyperbPi   536.61654  -23.82800   25.62345   26153.16561
lZeta      -23.82800  250.74196 -261.20570     -35.58481
lDelta      25.62345 -261.20570  272.77771     182.75927
mu       26153.16561  -35.58481  182.75927 2028904.75586

现在我想根据this page 2计算参数估计的方差 - 协方差矩阵：

的渐近协方差矩阵$\hat{\theta}$由计算的 Hessian 矩阵的负数的倒数给出 $\hat{\theta}$.

因此，我计算：

solve(-hyperbfitalv$hessian)

这使

         hyperbPi         lZeta        lDelta            mu
hyperbPi -5.113433e-03 -0.0091511819 -0.0083271877  6.650321e-05
lZeta    -9.151182e-03 -1.6617499980 -1.5905496996  2.320893e-04
lDelta   -8.327188e-03 -1.5905496996 -1.5261031428  2.169113e-04
mu        6.650321e-05  0.0002320893  0.0002169113 -1.365591e-06

这对我来说显然是错误的，因为方差有负值，但方差不能为负？协方差是的，但不是方差？

编辑： 的完整输出hyperbFit(mydata,hessian=TRUE)：

Data:     mydata
Parameter estimates:
       pi       zeta      delta         mu  
 0.090747   0.204827   0.002035  -0.002494  
Likelihood:         756.911 
Method:             Nelder-Mead 
Convergence code:   0 
Iterations:         365 

第二次编辑：如果我使用solve(hyperbfitalv$hessian)我得到

             hyperbPi         lZeta        lDelta            mu
hyperbPi  5.113433e-03  0.0091511819  0.0083271877 -6.650321e-05
lZeta     9.151182e-03  1.6617499980  1.5905496996 -2.320893e-04
lDelta    8.327188e-03  1.5905496996  1.5261031428 -2.169113e-04
mu       -6.650321e-05 -0.0002320893 -0.0002169113  1.365591e-06

第三次编辑：输出summary(hyperbfitalv)：

Data:      mydata
Parameter estimates:
       pi          zeta         delta         mu    
    0.090747     0.204827     0.002035    -0.002494 
  ( 0.071508)  ( 0.264040)  ( 0.002514)  ( 0.001169)
Likelihood:         756.911 
Method:             Nelder-Mead 
Convergence code:   0 
Iterations:         365 

第 4 次编辑：好的，这是 pi、log(zeta)、log(delta) 和 mu 的粗麻布，但我怎样才能得到 pi、zeta、delta 和 mu 的粗麻布？