我正在阅读 R. Kreps 的论文（对数）正态分布中的参数不确定性，并试图弄清楚模拟是如何完成的。为了生成图 1，使用了 Eqn (2.41)。所以这就是我在 R 中所做的：
这是他们使用的方程式：在哪里
注意：此代码适用于以下情况
v <- rt(10000000, 1)/sqrt(3-2)
w <- rchisq(10000000,2)
z <- rnorm(n=10000000, m=0, sd=1)
z_eff_3 <- v + z * sqrt((3*(1+v*v))/w)
plot(density(z_eff_3),ylim=c(0,1))
但是，我得到了一个完全不同的图表。如果有人可以看一下并向我解释我做错了什么，我将不胜感激。
注意：在原来的帖子中，我注意到（除了一个已经更正的小错误）这实际上是绘制密度的问题，而不是模拟的问题。当时我不确定发生了什么，但我发现截断数据似乎可以解决问题，所以我建议这样做。我已经弄清楚了真正的问题，所以我决定编辑它以提出更好的解决方案。
和，我们模拟的分布有很重的尾巴。即使平均值为零且四分位间距约为 4，但在 100,000 次（或更多）抽签中，我们得到的绝对值约为 1,000,000。
默认情况下，该density函数估计完全覆盖数据范围（加上一点点）的 512 个等距点的密度。在这种情况下，我们只对在该范围的很小一部分上绘制密度感兴趣——因为. 结果，当我们绘制那个窗口时，我们得到了一条看起来像平坦的水平线，它连接了大约 -2000 和 2000 点的估计值。不是很有用。
我最初的解决方案，截断数据，给出了看起来不错的图，但并不是很令人满意。所以我玩了一下，找出了问题以及如何解决它：该density函数有参数from和to，它给出了估计密度的下限和上限。通过设置from=0, to=5，我们得到以下图，没有任何截断：
这比我原来的解决方案更容易也更正确（因为密度被截断稍微扭曲了）。我使用的完整代码（稍微改编自问题中提供的代码）是：
v <- rt(100000, 1)/sqrt(3-2)
w <- rchisq(100000,2)
z <- rnorm(n=100000, m=0, sd=1)
z_eff_3 <- v + z * sqrt((3*(1+v*v))/w)
plot(density(z_eff_3,from=0,to=5),xlim=c(0,5))
希望有帮助。