R 建模参数偏差的优化
在寻找优化程序的过程中，我会寻求一些帮助来解决我的问题。我必须解释我工作的某些步骤，我希望我能清楚地解释我的问题。。。目前，我正在用模拟数据和真实数据对R中的缺失数据进行研究。在模拟数据中，我通过一些学习技术解释了与真实数据相似的缺失数据模式。我现在想做的是从模拟到真实数据的学习 在模拟中，我得到了一个真实的参数向量，其中回归模型的参数是根据完整数据估计的，没有遗漏。让我们称之为向量参考。通过人工生成缺失和缺失值的多重插补（例如，使用老鼠），我最终收到基于缺失数据的回归模型参数。让我们称这些回归参数为老鼠。现在我想模拟REF和老鼠的区别，让我们称它们为PA-REF，并将这些学习应用到实际数据中。PA-REF的一个相当好的建模是可能的，具有极值分布。这意味着，一般来说，小鼠大多接近REF，但在某些情况下并非如此。因此，为了在++++真实数据（！）中通过Mice++++分析估计回归模型参数的分布和插入插补，我得到了回归参数周围极值的非常广泛的分布。对于这些情况，如果回归参数是或不是离群值，我估计带有一些协变量的logit获得概率（根据模拟中的差异REF和MICE）。我尝试使用approxfun以这些概率管理EVD参数 在下面的代码中，您可以找到这个想法的实现 一开始，evd参数依赖于离群概率的一个非常基本的函数发生了：简单地说是一个具有起始值和结束值的线性函数。我的出发点是区分PA.Ref的低值和高值。对于这两组，我都插入了一个异常值。对于低值，为异常值的截止值（10），对于高值，为低值组的最低值。我这样做是为了包含关于估计概率反映基于MICE的回归参数估计是否为异常值的不确定性的可能性的不安全性。在模拟中，将参数预测为异常值（高PA Ref）的模型工作得很好，但存在一些缺点，此处不需要解释 在下一步中，我使用该函数从由此控制的EVD中提取值，即PA-REF的125个值，EVD参数的简单线性函数作为离群概率的函数。绘制必须满足PA-REF最大值大于0且不大于1.5的要求。受管理的evd绘制为每个回归参数生成一个分布。在这里，我获得了矩阵格式125x44，由于PA-REF的方向未知，这些行可能会加倍。我再次接近此evd分布，因此可以计算模拟中观察到的PA-REF（差异REF和鼠标）的pdf值，请参阅下一步 第三步基本上是对y.pa.ref的每个元素执行此操作：近似evd绘图的密度，并将此近似函数集成到观测的y.pa.ref中，同时满足一些要求（start.val、end.val、max.val）用于获得观察到的PA-REF覆盖的概率质量。最后，平均值是evd覆盖PA-REF值的平均值。这里它是0.33，这意味着通过这种方法，它是平均概率，即y.pa.ref包含在extr中。为回归模型的每个参数指定的值分布。（如果你考虑方向，这个值可以加倍。）< /P> 我想要优化的是：我现在想要最大化观测到的PA-REF向量中所有元素的pdf值的平均值。所以我的问题是：是否可以通过为EVD的参数指定一个优化函数来优化这些值？R 建模参数偏差的优化,r,optimization,modeling,R,Optimization,Modeling,在寻找优化程序的过程中，我会寻求一些帮助来解决我的问题。我必须解释我工作的某些步骤，我希望我能清楚地解释我的问题。。。目前，我正在用模拟数据和真实数据对R中的缺失数据进行研究。在模拟数据中，我通过一些学习技术解释了与真实数据相似的缺失数据模式。我现在想做的是从模拟到真实数据的学习 在模拟中，我得到了一个真实的参数向量，其中回归模型的参数是根据完整数据估计的，没有遗漏。让我们称之为向量参考。通过人工生成缺失和缺失值的多重插补（例如，使用老鼠），我最终收到基于缺失数据的回归模型参数。让我们称这些回归
我自己尝试了几个想法。例如，我使用最高prob.outl和y.pa.ref对，从多元正态分布中提取值，并使用这些值对evd参数进行更高的估计。然后我构建一个函数，将outl.prob中的evd参数线性增加到0.5，并将基于MVN的较高evd参数的evd参数保持在0.5到1以上。不幸的是，这根本不能提高pdf质量的平均值。基本上我相信通过优化可以解决这个星座。但也许我错了…？：-） 谢谢你的支持。如果你愿意，我会在我的出版物中引用你的帮助，至少我必须匿名
PA.REF <- c(0.43997, 1.99193, 2.36845, 1.37931, 24.32432, 0.42373, 2.77907,
2.49998, 18.18181, 0.52219, 0.37312, 5.24694, 4.21052, 0.59523,
5.02122, 4.78839, 3.11992, 4.42476, 16.09194, 3.48839, 3.24674,
0.39386, 3.74449, 6.20155, 2.02429, 2.02953, 2.77776, 2.22222,
7.34693, 5.15163, 1.57566, 0.16821, 3.20001, 1.17646, 0.83331,
0.55556, 1.88996, 0.38461, 4.76189, 0.91186, 1.0118, 0.29985,
1.34529, 13.58024)
Outl.prob <- c(0.15371, 0.02757, 0.01265, 0.05866, 0.89814, 0.01828, 0.00442,
0.03018, 0.63696, 0.00845, 0.01356, 0.00507, 0.07715, 0.07176,
0.02763, 0.00671, 0.00998, 0.03585, 0.01629, 0.16794, 0.09089,
0.00406, 0.01003, 0.03254, 0.01134, 0.00711, 0.00424, 0.00589,
0.09664, 0.01311, 0.00851, 0.01428, 0.01049, 0.25723, 0.0257,
0.06623, 0.00728, 0.00789, 1, 0.00587, 0.01292, 0.00889, 0.0179,
1)
my.data <- data.frame(Outl.prob, PA.REF)
y.pa.ref <- my.data[,c("PA.REF")]
outl.prob <- my.data[,c("Outl.prob")]
cut.outl <- 10
require(extRemes)
###########################
#### Step 1
fit.evd.min <- fevd( c( sort(y.pa.ref)[1:(length(y.pa.ref)/2)],
cut.outl))
loc.evd.fit.min = fit.evd.min$results$par[c("location")]
scale.evd.fit.min = fit.evd.min$results$par[c("scale")]
shape.evd.fit.min = fit.evd.min$results$par[c("shape")]
fit.evd.max <- fevd( c( sort(y.pa.ref)[(length(y.pa.ref)/2): length(y.pa.ref)],
min(y.pa.ref)))
loc.evd.fit.max = fit.evd.max$results$par[c("location")]
scale.evd.fit.max = fit.evd.max$results$par[c("scale")]
shape.evd.fit.max = fit.evd.max$results$par[c("shape")]
basic.loc.evd.fun <- approxfun(approx(x= c(0,1),
y= c(loc.evd.fit.min, loc.evd.fit.max), n=1e4))
basic.scale.evd.fun <- approxfun(approx(x= c(0,1),
y=c(scale.evd.fit.min, scale.evd.fit.max), n=1e4))
basic.shape.evd.fun <- approxfun(approx(x= c(0,1),
y=c(shape.evd.fit.min, shape.evd.fit.max), n=1e4))
###########################
###########################
#### Step 2
number125 <- 1:125
evd.val.max <- max(y.pa.ref)*1.5
count.draw.simu <- 0
evd.var.vert.simu <- NULL
matrix.evd.v4 <- matrix(nrow=length(number125),
ncol=length(y.pa.ref))
set.seed(71108)
for (i in c(1:length(y.pa.ref))){
while (count.draw.simu < max(number125)){
evd.simu.draw <- rgev(1, loc=basic.loc.evd.fun(outl.prob[i]),
scale= basic.scale.evd.fun(outl.prob[i]),
shape=basic.shape.evd.fun(outl.prob[i]))
evd.simu.draw <- ifelse(evd.simu.draw<evd.val.max
& evd.simu.draw >0, evd.simu.draw, NA)
evd.var.vert.simu <- c(evd.var.vert.simu, evd.simu.draw)
evd.var.vert.simu <- evd.var.vert.simu[!is.na(evd.var.vert.simu)]
count.draw.simu <- length(evd.var.vert.simu)
}
matrix.evd.v4[,i] <- evd.var.vert.simu
evd.var.vert.simu <- NULL
count.draw.simu<- 0
}
EVD2 <- rbind(matrix.evd.v4, - matrix.evd.v4)
###########################
###########################
#### Step 3
fun.list.EVD2 <- list()
est.val.fun.EVD2 <- list()
est.prob.fun.EVD2 <- NULL
for (i in 1:length(y.pa.ref)){
EVD2.val <- EVD2[,i]
assign(paste0(i, ".fun.EVD2" ), approxfun( density(EVD2.val) ))
fun.list.EVD2[[i]] <- get(paste0(i,".fun.EVD2" ))
start.val <- min( density(EVD2.val)$x)
end.val <- y.pa.ref[i]
max.val <- max( density(EVD2.val)$x)
ind.fun.ex <- c("Yes")
ifelse( start.val < end.val & max.val > end.val,
ifelse(start.val > 0,
prob.EVD2fun <- integrate( get(paste0(i,".fun.EVD2" )),
start.val,
end.val) ,
prob.EVD2fun <- integrate( get(paste0(i,".fun.EVD2" )),
0,
end.val) ),
ind.fun.ex <- c("NO") )
if(ind.fun.ex == c("NO")){
est.val.fun.EVD2[[i]] <- NULL
est.prob.fun.EVD2 <- c(est.prob.fun.EVD2, 0)
} else {
assign(paste0("value.EVD2.fun", i), prob.EVD2fun)
est.val.fun.EVD2[[i]] <- get(paste0("value.EVD2.fun", i))
est.prob.fun.EVD2 <- c(est.prob.fun.EVD2, prob.EVD2fun$value)
}
}
###########################
optim.val.prob.EVD2 <- mean(est.prob.fun.EVD2)
PA.REF请简化为最小的可复制示例…您好。我当然知道，那里写了很多东西。我真的尽力把它写得尽可能短。步骤1显示了如何将概率映射到evd参数，步骤2从中提取，步骤3评估每个分布中的观察数。优化应使optim.val.prob最小化，这意味着evd参数就是设定的参数，其中包括观察值的evd最大密度。。。