sn.mle(sn)
sn.mle()所属R语言包：sn
Maximum likelihood estimation for skew-normal models
最大似然估计歪斜正常模式
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Fits a skew-normal (SN) distribution to data, or fits a linear regression model with skew-normal errors, using maximum likelihood estimation.
适合歪斜正常（SN）分布的数据，或适合歪斜正常误差的线性回归模型，采用最大似然估计。
用法----------Usage----------
sn.mle(X, y, cp, plot.it=TRUE, trace=FALSE, method="L-BFGS-B",
control=list(maxit=100))
参数----------Arguments----------
参数：y
a vector contaning the observed variable. This is the response variable in case of linear regression. Missing values (NAs) are not allowed.
一个向量，浸渗观察到的变量。这是一个的情况下的响应变量线性回归。遗漏值（NAS）是不允许的。
参数：X
a matrix of explanatory variables. If X is missing, then a one-column matrix of all 1's is created. If X is supplied, then it must include a column of 1's. Missing values (NAs) are not allowed.
的解释变量的矩阵。 X如果丢失了，那么所有的一列矩阵的创建。如果X提供，那么它必须包含一列1。遗漏值（NAS）是不允许的。
参数：cp
a vector of initial values for the centred parameters, with length(cp)=ncol(X)+2
的矢量为中心的参数的初始值，用length(cp)=ncol(X)+2
参数：plot.it
logical value, If plot.it=TRUE (default), a plot of the nonparametric estimate of variable y (or the residuals, in the case of regression), and the parametric fit is superimposed. See below for details.
逻辑值，如果plot.it=TRUE（默认），积非参数估计的变量y（或残差，在回归的情况下），而参数适合叠加。有关详细信息，请参见下文。
参数：trace
logical value which controls printing of the algorithm convergence. If trace=TRUE, details are printed. Default value is FALSE.
逻辑控制打印算法的收敛值。如果trace=TRUE，细节被打印出来。默认值为FALSE。
参数：method
this parameter is just passed to the optimizer optim; see the documentation of this function for its usage. Default value is "L-BFGS-B".
刚刚过去的这个参数的优化optim其使用此功能，请参阅文档。默认值为"L-BFGS-B"。
参数：control
this parameter is just passed to the optimizer optim; see the documentation of this function for its usage. </table>
刚刚过去的这个参数的优化optim其使用此功能，请参阅文档。 </ TABLE>
Details
详细信息----------Details----------
The optimizer optim is used, supplying the gradient of the log-likelihood. Convergence is generally fast and reliable, but inspection of the returned message from optim is always appropriate. In suspect cases, re-run the function changing the starting cp vector.
优化optim被使用时，对数似然供给的梯度。收敛是快速和可靠的，但检查返回messageoptim总是合适的。在犯罪嫌疑人的情况下，重新运行该功能，改变cp矢量。
If plotting operates, the function sm.density of the package sm is searched; this library is associated with the book by Bowman and Azzalini (1997). If sm.density is not found, an histogram is plotted.
如果绘制操作，功能sm.density的包sm搜索，这个库相关联的书采用Bowman和Azzalini的（1997）。 sm.density如果没有找到，绘制直方图。
To fit a skew-normal distribution to grouped data by exact maximum likelihood estimation, use sn.mle.grouped.
以适应斜正态分布的分组数据的精确极大似然估计，使用sn.mle.grouped。
值----------Value----------
a list containing the following components:
一个列表，包含以下组件：
<table summary="R valueblock"> <tr valign="top"><td>call</td> <td> a string containing the calling statement </td></tr> <tr valign="top"><td>cp</td> <td> a vector of length ncol(X)+2 with the centred parameters </td></tr> <tr valign="top"><td>logL</td> <td> the log-likelihood at convergence </td></tr> <tr valign="top"><td>se</td> <td> a vector of standard errors for the cp component </td></tr> <tr valign="top"><td>info</td> <td> the observed information matrix for the cp component </td></tr> <tr valign="top"><td>optim</td> <td> the list returned by the optimizer optim; see the documentation of this function for explanation of its components. </td></tr></table>
<table summary="R valueblock"> <tr valign="top"> <TD> call</ TD> <td>一个字符串，其中包含调用语句</ TD> </ TR> <TR VALIGN = “顶”> <TD> cp </ TD> <td>一个向量的长度ncol(X)+2为中心的参数</ TD> </ TR> <tr valign="top"> <TD > logL </ TD> <TD>对数似然在收敛</ TD> </ TR> <tr valign="top"> <TD> se </ TD> <TD>一个向量的标准误差cp组件</ TD> </ TR> <tr valign="top"> <TD>info </ TD> <TD>所观察到的信息矩阵cp组件</ TD> </ TR> <tr valign="top"> <TD>optim </ TD> <TD>列表中返回的优化optim;其组成部分，用于说明此功能的文档。 </ TD> </ TR> </ TABLE>
副作用----------Side Effects----------
If plot.it=TRUE and a graphical device is active, a plot is produced, as described above.
如果plot.it=TRUE和一个图形的移动设备被激活，产生一个图，如上所述。
背景----------Background----------
Background information on the SN distribution is given by Azzalini (1985). See also Azzalini and Capitanio (1999), for an additional discussion of the centred parametrization.
背景信息的SN分布给出者Azzalini（1985）。也Azzalini卡皮塔尼奥（1999年），为中心的参数化的更多讨论的。
参考文献----------References----------
Azzalini, A. (1985). A class of distributions which includes the normal ones. Scand. J. Statist. 12, 171-178.
Azzalini, A. and Capitanio, A. (1999). Statistical applications of the multivariate skew-normal distribution. J.Roy.Statist.Soc. B 61, 579–602.
Bowman, A.W. and Azzalini, A. (1997). Applied Smoothing Techniques for Data Analysis: the Kernel Approach with S-Plus Illustrations. Oxford University Press, Oxford.
参见----------See Also----------
dsn, sn.em, msn.mle, optim, sn.mmle, sn.mle.grouped
dsn，sn.em，msn.mle，optim，sn.mmle，sn.mle.grouped
实例----------Examples----------
data(ais, package="sn")
attach(ais)
a<-sn.mle(y=bmi)
#[]
a<-sn.mle(X=cbind(1,lbm),y=bmi)
#[]
b<-sn.mle(X=model.matrix(~lbm+sex), y=bmi)
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。
|
发表于 2012-9-30 11:20:20
