Straipsnyje nagrinėjamas Monte-Karlo Markovo grandinių taikymas antisimetrinio t-skirstinio parametrams vertinti didžiausio tikėtinumo metodu. Antisimetrinis t-skirstinys gali būti apibrėžtas per daugiamatį Gauso skirstinį, kurio vidurkio vektorius yra taip pat pasiskirstęs pagal Gauso dėsnį, kai abiejų šių skirstinių kovariacijų matricos priklauso nuo parametro, pasiskirsčiusio pagal gama dėsnį (Azzalini & Genton, 2008). Remiantis šiuo apibrėžimu, antisimetrinio t-skirstinio tankis užrašomas daugiamačiu integralu. Kadangi tokiu atveju tikėtinumo funkcija irgi yra išreiškiama per daugiamačius integralus, sukurtas Monte-Karlo Markovo grandinių algoritmas didžiausio tikėtinumo įverčiams gauti, parenkant Monte-Karlo imčių tūrį atskirose grandyse taip, kad sumažėtų bendras Monte-Karlo bandymų skaičius. Šių įverčių pasikliovimo intervalai nustatomi pasinaudojus Monte-Karlo įverčių asimptotiniu normaliniu aproksimavimu. Stabdant algoritmą, tikrinama statistinė hipotezė apie nykstamai mažą skirtumą tarp dviejų gretimų Monte-Karlo grandžių įverčių (Sakalauskas, 2000). Sukurtas algoritmas buvo testuojamas kompiuterinio modeliavimo būdu. Sugeneravus kompiuteriu imtį, pasiskirsčiusią pagal antisimetrinį t-skirstinį, buvo apskaičiuoti MathCad’u šio skirstinio maksimalaus tikėtinumo įverčiai ir patikrinta statistinė hipotezė apie statistikos (18) pasiskirstymą pagal Fišerio dėsnį. Statistinis χ2 kriterijus patvirtino šią hipotezę. Taigi, sudarytas algoritmas gali būti taikomas... [toliau žr. visą tekstą] The Monte-Carlo Markov Chain (MCMC) approach for estimation of the skew-t distribution is described in the paper. Since skew-t distribution is represented by a mixture of multivariate skew-normal distribution with the covariance matrix depending on the parameter distributed according to the inverse-gamma distribution (Azzalini & Genton, 2008), the density of skew t distribution can be expressed by a multivariate integral. Next, the MCMC procedure is constructed for recurrent estimation of the skew-t distribution by maximum likelihood method, where the Monte-Carlo sample size is regulated in order to ensure the convergence and to decrease the total amount of Monte-Carlo trials. The confidence intervals of Monte-Carlo estimators are introduced because of the asymptotic Gaussian distribution of Monte-Carlo estimators. The termination rule is implemented testing statistical hypotheses on an insignificant change of estimates in two steps of the procedure (Sakalauskas, 2000). The algorithm developed has been tested by computer simulation with test sample. The test sample following from skew-t distribution has been simulated by computer and parameters of skew-t distribution have been estimated by MathCad. Next, the criterion confirmed the hypothesis of distribution of statistics (18) with respect to Fisher law. Thus, computer simulation confirmed the applicability of the Monte-Carlo Markov chain approach with adaptively regulated sample size for estimation of parameters of skew-t... [to full text]