未知累积函数的反函数

I'm working with a data file, the observations inside are random values. In this case I don't know the distribution of x (my observations). I'm using the function density in order to estimate the density, because I must apply a kernel estimation.

我正在使用数据文件，里面的观察是随机值。在这种情况下，我不知道x的分布（我的观察）。我正在使用函数密度来估计密度，因为我必须应用核估计。

T=density(datafile[,1],bw=sj,kernel="epanechnikov")

After this I must integrate this because I'm looking for a quantile (similar to VaR, 95%). For this I have 2 options:

在此之后我必须整合它，因为我正在寻找分位数（类似于VaR，95％）。为此我有两个选择：

ecdf()
quantile()

Now I have the value of the quantile 95, but this is the data estimated by kernel.

现在我有了分位数95的值，但这是内核估计的数据。

Is there a function which I can use to know the value of the quantile 95 of the original data?

是否有一个函数可以用来知道原始数据的分位数95的值？

I remark that this is a distribution unknown, for this I would like to imagine a non parametric method as Newton, like the one that is in SAS solve()

我注意到这是一个未知的分布，为此我想把一个非参数方法想象为Newton，就像在SAS中那样解决（）

1 个解决方案

#1

You can use quantile() for this. Here is an example using random data:

您可以使用quantile（）。以下是使用随机数据的示例：

> data<-runif(1000)

> q<-quantile(data, .95)
> q
      95% 
0.9450324

Here, the data is uniformly distributed between 0 and 1, so the 95th percentile is close to 0.95.

这里，数据均匀分布在0和1之间，因此第95百分位数接近0.95。

To perform the inverse transformation:

要执行逆变换：

> ecdf(data)(q)
[1] 0.95

#1