R语言 robustX包 rbwheel()函数中文帮助文档(中英文对照)

loveR

rbwheel(robustX)
rbwheel()所属R语言包：robustX

                                        Multivariate Barrow Wheel Distribution Random Vectors
                                         多元手推车车轮分布的随机向量

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Generate p-dimensional random vectors according to Stahel's Barrow Wheel Distribution.
生成p维的随机向量，根据Stahel的手推车轮分配。


用法----------Usage----------


rbwheel(n, p, frac = 1/p, sig1 = 0.05, sig2 = 1/10,
        rGood = rnorm,
        rOut = function(n) sqrt(rchisq(n, p - 1)) * sign(runif(n, -1, 1)),
        U1 = rep(1, p),
        scaleAfter = TRUE, scaleBefore = FALSE, spherize = FALSE,
        fullResult = FALSE)



参数----------Arguments----------

参数：n
integer, specifying the sample size.
整数，指定样本大小。


参数：p
integer, specifying the dimension (aka number of variables).
整数，指定尺寸（又名变量数）。


参数：frac
numeric, the proportion of outliers. The default, 1/p, corresponds to the (asymptotic) breakdown point of M-estimators.
数字，异常值的比例。默认情况下，1/p，对应的M-估计的（渐进）故障点。


参数：sig1
thickness of the “wheel”, (= σ (good[,1])), a non-negative numeric.
厚度的“轮”，（= σ的(good[,1])），一个非负的数值。


参数：sig2
thickness of the “axis” (compared to 1).
厚度的“轴”（相比，1）。


参数：rGood
function; the generator for “good” observations.
功能;发电机为“好”的意见。


参数：rOut
function, generating the outlier observations.
功能，生成的离群观察。


参数：U1
p-vector to which (1,0,…,0) is rotated.
对矢量(1,0,…,0)是转动。


参数：scaleAfter
logical indicating if the matrix is re-scaled after rotation (via scale())..  Default TRUE; note that this used to be false by default in the first public version.
逻辑如果矩阵重新调整后旋转（通过scale()）。默认TRUE;注意，默认情况下，在第一个公开版本是假的。


参数：scaleBefore
logical indicating if the matrix is re-scaled before rotation (via scale()).
逻辑表示，如果矩阵重新缩放旋转前（通过scale()“）。


参数：spherize
logical indicating if the matrix is to be “spherized”, i.e., rotated and scaled to have empirical covariance I_p.  This means that the principal components are used (before rotation).
逻辑表明，如果矩阵是“球形化”，即，旋转和缩放有经验的协方差I_p。这意味着，使用主成分（旋转前）。


参数：fullResult
logical indicating if in addition to the n x p matrix, some intermediate quantities are returned as well.
逻辑表示如果在除了n x p矩阵，一些中间的数量，以及返回。


Details

详细信息----------Details----------

....  
....


值----------Value----------

By default (when fullResult is FALSE), an n x p matrix of n sample vectors of the p dimensional barrow wheel distribution, with an attribute, n1 specifying the exact number of “good” observations, n1 ~= (1-f)*n,  f = frac.
默认情况下（fullResult是FALSE），n x p np维手推车轮分配样本向量的矩阵，属性，n1指定的确切数目“好”的意见，n1 ~= (1-f)*n，的f = “frac。

If fullResult is TRUE, a list with components
fullResult如果是TRUE，一个组件列表


参数：X
the n x p matrix of above, X = X0 %*% A, where A <- Qrot(p, u = U1), and X0 is the corresponding matrix before rotation, see below.
n x p矩阵以上，X = X0 %*% A，这里A <- Qrot(p, u = U1)和X0是对应的旋转矩阵前，请参阅下文。


参数：X0
.........
.........


参数：A
the p x p rotation matrix, see above.
p x p旋转矩阵，见上面。


参数：n1
the number of &ldquo;good&rdquo; observations, see above.
“好”的意见，见上面。


参数：n2
the number of &ldquo;outlying&rdquo; observations, n2 = n - n1.
“边陲”的意见，n2 = n - n1的数量。


（作者）----------Author(s)----------


Werner Stahel and Martin Maechler



参考文献----------References----------



实例----------Examples----------


set.seed(17)
rX8 <- rbwheel(1000,8, fullResult = TRUE, scaleAfter=FALSE)
with(rX8, stopifnot(all.equal(X, X0 %*% A,    tol = 1e-15),
                    all.equal(X0, X %*% t(A), tol = 1e-15)))
##--&gt; here, don't need to keep X0 (nor A, since that is Qrot(p))[＃ - >在这里，并不需要保持X0（也不是，因为这是Qrot（P））]

## for n = 100,  you  don't see "it", but may guess .. :[＃N = 100，你不会看到“它”，但可能会猜.. ：]
n <- 100
pairs(r <- rbwheel(n,6))
n1 <- attr(r,"n1") ; pairs(r, col=1+((1:n) > n1))

## for n = 500, you *do* see it :[＃N = 500，你*不要*参见：]
n <- 500
pairs(r <- rbwheel(n,6))
## show explicitly[＃明确]
n1 <- attr(r,"n1") ; pairs(r, col=1+((1:n) > n1))

## but increasing sig2 does help:[＃但越来越多的SIG2并帮助：]
pairs(r <- rbwheel(n,6, sig2 = .2))

## show explicitly[＃明确]
n1 <- attr(r,"n1") ; pairs(r, col=1+((1:n) > n1))

set.seed(12)
pairs(X <- rbwheel(n, 7, spherize=TRUE))
colSums(X) # already centered[已经居中]

if(require("ICS")) {
  # ICS: Compare M-estimate [Max.Lik. of t_{df = 2}] with high-breakdown :[ICS：M-估计[Max.Lik。 T_ {DF = 2}]高击穿：]
  stopifnot(require("MASS"))
  X.paM <- ics(X, S1 = cov, S2 = function(.) cov.trob(., nu=2)$cov, stdKurt = FALSE)
  X.paM.<- ics(X, S1 = cov, S2 = function(.) tM(., df=2)$V, stdKurt = FALSE)
  X.paR <- ics(X, S1 = cov, S2 = function(.) covMcd(.)$cov, stdKurt = FALSE)
  plot(X.paM) # not at all clear[不是很清楚]
  plot(X.paM.)# ditto[同上]
  plot(X.paR)# very clear[很清楚]
}
## Similar such experiments ---&gt;  demo(rbwheel)[＃类似这样的试验--->演示（rbwheel）]

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。