R语言 SpatioTemporal包 calc.smooth.trends()函数中文帮助文档(中英文对照)

loveR

calc.smooth.trends(SpatioTemporal)
calc.smooth.trends()所属R语言包：SpatioTemporal

                                         Smooth Basis Functions for a mesa.data Structure
                                         光滑的基函数的mesa.data结构

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

A front end function for calling SVD.smooth (and  SVD.smooth.cv), with either a <br> mesa.data  structure or vectors containing observations, observations times and locations. The function uses create.data.matrix to create a data matrix which is passed to SVD.smooth (and SVD.smooth.cv).
一个前端函数调用SVD.smooth（和SVD.smooth.cv），一个<br>mesa.data结构或向量的观测，观测时间和地点。该函数使用create.data.matrix创建一个数据是传递到SVD.smooth（SVD.smooth.cv的矩阵）。


用法----------Usage----------


calc.smooth.trends(mesa.data = NA, obs = mesa.data$obs$obs,
    date = mesa.data$obs$date, ID = mesa.data$obs$ID,
    subset = NA, n.basis = 2, cv = FALSE, niter = 100,
    conv.reldiff = 0.001, df = NULL, spar = NULL)



参数----------Arguments----------

参数：mesa.data
A data structure containing the observations, see mesa.data. Use either this or the obs, date, and idx inputs.  
的数据结构，其中包含的意见，请参阅mesa.data。使用或obs，date和idx输入。


参数：obs
A vector of observations, see mesa.data.  
一个向量的意见，请参阅mesa.data。


参数：date
A vector of observation times, see mesa.data.  
一个向量的观测时间，请参阅mesa.data。


参数：ID
A vector of observation locations, see mesa.data.  
一个向量的观察位置，请参阅mesa.data。


参数：subset
A subset of locations to use when computing the smooth basis functions, see create.data.matrix.  
计算时顺利的基础功能的一个子集的位置，以便使用，请参阅create.data.matrix。


参数：n.basis
Number of basis functions to compute, see SVD.smooth.  
数计算的基础功能，请参阅SVD.smooth。


参数：cv
Also compute smooth functions using leave one out cross-validation, <br> see SVD.smooth.cv.  
还可以计算使用交叉验证，留下一个光滑函数，参考看SVD.smooth.cv。


参数：niter, conv.reldiff
Controls convergence for SVD.miss.  
控制收敛SVD.miss。


参数：df, spar
The desired degrees of freedom/smoothing parameter for the spline, <br> see smooth.spline  
程度的自由/平滑样条曲线的参数，参考smooth.spline


值----------Value----------

Returns a list with the following components
返回与以下组件的列表


参数：svd
A data.frame containing the smooth trends and the dates. This can be used as the trend in mesa.data$trend.  
数据框的顺利发展趋势和日期。这可以被用来作为trend在mesa.data$trend。


参数：svd.cv
If cv==TRUE this is list of dataframes. Each dataframe contains the smooth trend obtained when leaving one site out. Similar to <br>  SVD.smooth.cv(data)$smooth.SVD[[1]]).  If cv==FALSE this is set to NA.  
如果cv==TRUE这是列表dataframes。“每一个数据框包含留下一个站点时所获得的平稳态势。类似<BR>SVD.smooth.cv(data)$smooth.SVD[[1]]“）。如果cv==FALSE这是设置为NA。


（作者）----------Author(s)----------



Johan Lindstr枚m and Paul D. Sampson




参考文献----------References----------

Analyze Space-Time Processes in Statistical methods for spatio-temporal systems (B. Finkenst\"adt, L. Held, V. Isham eds.) 77-150

参见----------See Also----------

Front end for calling SVD.smooth and SVD.smooth.cv, using create.data.matrix to create a data matrix from a mesa.data structure.
前端调用SVD.smooth和SVD.smooth.cv，使用create.data.matrix从mesa.data结构创建一个数据矩阵。

See also SVD.miss, svd, and smooth.spline.
请参阅SVD.miss，svd，smooth.spline。


实例----------Examples----------


##let's load some data[＃让我们加载一些数据]
data(mesa.data)

##let's compute two smooth trend functions[＃让我们计算两个平稳态势功能]
trend <- calc.smooth.trends(mesa.data, n.basis = 2)
##and study the trends[＃和研究的发展趋势]
par(mfrow=c(2,1), mar=c(2.5,2.5,.5,.5))
plot(trend$svd$date, trend$svd$V1, type="l", ylab="",xlab="",
     ylim=range(c(trend$svd$V1,trend$svd$V2)))
lines(trend$svd$date, trend$svd$V2, col=2)

##Let's exclude locations with fewer than 100 observations[＃让我们排除有少于100个观测]
IND <- names(which(table(mesa.data$obs$ID) >= 100))
##now we also compute the CV trends.[＃现在我们也计算的CV趋势。]
trend2 <- calc.smooth.trends(mesa.data, n.basis = 2, subset=IND,
                             cv = TRUE)

##Let's compare to the previous result[＃让我们比较先前的结果]
lines(trend2$svd$date, trend2$svd$V1, lty=2)
lines(trend2$svd$date, trend2$svd$V2, lty=2, col=2)

##we can also study the cross validated results to examine the[＃我们也可以研究的交叉验证结果检查]
##possible variation in the estimated trends.[＃可能的估计趋势变化。]
plot(trend$svd$date, trend2$svd$V1, type="n", ylab="",xlab="",
     ylim=range(c(trend2$svd$V1,trend2$svd$V2)))
for(i in 1:length(trend2$svd.cv)){
  lines(trend2$svd.cv[[i]]$date, trend2$svd.cv[[i]]$V1, col=1)
  lines(trend2$svd.cv[[i]]$date, trend2$svd.cv[[i]]$V2, col=2)
}

##Let's use our new trend functions in the mesa.data[＃让我们使用我们的新趋势在mesa.data功能]
mesa.data$trend <- trend2$svd

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。