使用AIC比较混合分布模型（在mixdist；R中计算）

我使用这个包将长度-频率数据建模到不同的群组中，非常类似于发布的方法（特别是函数mix（））

目前，我一直在查看原始数据的大小-频率直方图，确定要尝试的组件的合理数量（通常为2或3），然后选择卡方最小的模型（只要图/平均值合理）。我使用相同的方法来选择要使用的发行版

不过，我想进一步介绍一下我的车型选择

首先，我想比较不同的分布（即正态分布、对数正态分布和伽马分布）（提取的成分保持不变）-理想情况下使用AIC

其次，我想使用AIC评估模型和基础数据之间的距离

最后，我想估算一个模型相对于其他被评估模型最能代表底层数据的概率

但是，我不知道如何使用混合数据来实现这一点！任何建议都将不胜感激（以及一些评估混合模型性能的替代方法）

下面是一个示例代码

library(mixdist)

#Build data vector "x" 
x1 <- rnorm(1000, mean=7, sd=2.0)  
x2 <- rnorm(500, mean=17, sd=1.5)  
x3 <- rnorm(300, mean=13, sd=1.5)  
x <- c(x1, x2, x3)  

#Plot a histogram   
breaks <- 60  
his <- hist(x, breaks=breaks)  
df <- data.frame(mid=his$mids, cou=his$counts)  
head(df)  

#not sure whether there are 2 or 3 cohorts/components here so would need to             
try both
#2 cohorts
guemea <- c(8, 16)  
guesig <- c(1, 1)  
guedis1 <- "norm"  
guedis2 <- "lnorm"  
guedis3 <- "gamma"  
(fit21 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig),    dist=guedis1))  
(fit22 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig), dist=guedis2))  
(fit23 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig), dist=guedis3)) 

#3 cohorts
guemea <- c(8, 14, 17)  
guesig <- c(1, 1, 1)  
guedis1 <- "norm"  
guedis2 <- "lnorm"  
guedis3 <- "gamma"  
(fit31 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig), dist=guedis1))  
(fit32 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig), dist=guedis2))  
(fit33 <- mix(as.mixdata(df), mixparam(mu=guemea, sigma=guesig), dist=guedis3))  

summary(fit21)
summary(fit22)
summary(fit23)
summary(fit31)
summary(fit32)
summary(fit33)

库（mixdist）
#构建数据向量“x”
x1使用
mclust
包。我想你可以直接做你想做的一切。看看这个，它可能会帮助你。我不知道您使用哪种方法，但EM是混合数据的常用方法谢谢@Silver_80提供您的建议/有用的链接！我确实在使用EM，看起来mclust确实有计算BIC的潜力。我希望我在mixdist中遗漏了一些东西，而不是必须学习新的软件包/重新分析我的数据。。。因此，我仍然在寻找使用mixdist软件包选择模型的替代方法。如果没有，也许你可以加上你的评论作为回答，我可以接受。谢谢使用
mclust
package。我想你可以直接做你想做的一切。看看这个，它可能会帮助你。我不知道您使用哪种方法，但EM是混合数据的常用方法谢谢@Silver_80提供您的建议/有用的链接！我确实在使用EM，看起来mclust确实有计算BIC的潜力。我希望我在mixdist中遗漏了一些东西，而不是必须学习新的软件包/重新分析我的数据。。。因此，我仍然在寻找使用mixdist软件包选择模型的替代方法。如果没有，也许你可以加上你的评论作为回答，我可以接受。谢谢