R中的单变量自适应核密度估计

有一个R函数可以计算一元观测值的自适应核密度函数。那么akj（package

quantreg

）呢？谢谢。

我不知道该软件包，但自己实现它非常简单（这也会让您准确地了解您正在做什么），例如，让我们在计划中采用以下值：

g = 5
n = 100
set.seed(g)
df = data.frame(x = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i))),
                y= unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i))))

plot(df)

让我们假设您想要估计此分布上三个点的密度

x1=c（6，-1）

，

x2=c（0.3,2）

，

x3=c（3，-0.5）

。x1上的密度应为弱密度，x2上的密度应为高密度，x3上的密度应介于这两个低密度和高密度之间：

points(6,-1, col='red', pch=19)
points(0.3,2, col='blue', pch=19)
points(3,-0.5, col='green', pch=19)

根据自适应核密度函数的定义：

---

我们有直觉结果的确认：<代码> 0嗨，请找到下面的答案，并考虑接受它如果它适合你，否则我会很高兴知道为什么它不回答你的问题！Beauvel上校，看来你的核密度估计器不是可变的。我看不出您在哪里更改平滑参数（h）或任何距离度量。另一个问题：当我集成数据时，CDF大于1（我使用单变量正态分布运行代码，并将其与rnorm进行比较）。非常感谢。这个方法与自适应内核类似吗？我在“在家庭范围研究中估计利用率分布的核方法”（B.J.Worton）Beauvel上校中看到过，看来你的核密度估计器不是一个变量。我看不出您在哪里更改平滑参数（h）或任何距离度量。另一个问题：当我集成数据时，CDF大于1（我使用单变量正态分布运行代码，并将其与rnorm进行比较）。

library(functional)

gaussianKernel = function(u, h) exp(-sum(u^2)/(2*h^2))

densityFunction = function(x, df, ker, h)
{
    difference = t(t(df) - x)
    W = sum(apply(difference, 1, ker, h=h))
    W/(nrow(df)*(h^(length(df))))
}

myDensityFunction = Curry(densityFunction, df=df, ker=gaussianKernel , h=2)

#> myDensityFunction(x1)
#[1] 0.02140895
#> myDensityFunction(x2)
#[1] 0.1146402
#> myDensityFunction(x3)
#[1] 0.09341908