R语言 weightedScores包 weightMat()函数中文帮助文档(中英文对照)

loveR

weightMat(weightedScores)
weightMat()所属R语言包：weightedScores

                                        WEIGHT MATRICES FOR THE ESTIMATING EQUATIONS
                                         权重矩阵估计方程

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Weight matrices for the estimating equations.
权重矩阵的估计方程。


用法----------Usage----------





参数----------Arguments----------

参数：b
The regression coefficients.
回归系数。


参数：gam
The parameter γ of negative binomial distribution. γ is NULL for Poisson and Bernoulli distribution.
参数γ负二项分布。 γ是NULL泊松分布和贝努利分布。


参数：rh
The vector of normal copula parameters.
向量正常系词参数。


参数：xdat
(\mathbf{x}_1 , \mathbf{x}_2 , … ,   \mathbf{x}_n )^\top, where the matrix \mathbf{x}_i,\,i=1,…,n for a given unit will depend on the  times of observation for that unit (j_i) and will have number of rows j_i, each row corresponding to one of the j_i elements of y_i and p columns where p is the number of covariates including the unit first column  to account for the intercept. This xdat matrix is of dimension (N\times p), where N =∑_{i=1}^n j_i is the total number of observations from all units.
(\mathbf{x}_1 , \mathbf{x}_2 , … ,   \mathbf{x}_n )^\top，其中矩阵\mathbf{x}_i,\,i=1,…,n对于一个给定的单元将取决于观察的时间该单元（j_i）和将有j_i，对应每一行的行数j_i元素之一y_i和p列p是共变项包括单位的第一列用于拦截。此的XDAT矩阵是尺寸(N\times p),其中N =∑_{i=1}^n j_i是观测各单位的总数。


参数：ydat
(y_1 , y_2 , … , y_n )^\top,  where the reponse data vectors y_i, i=1,…,n are of possibly different lengths for different units.  In particular, we now have that y_i is (j_i \times 1), where j_i is the   number of observations on unit i. The total number of observations   from all units is N =∑_{i=1}^n j_i. The ydat are the collection of data   vectors y_i, i = 1,…,n one from each unit which summarize all the data together in a single, long vector of length N.
(y_1 , y_2 , … , y_n )^\top，这里的响应数据向量y_i, i=1,…,n可能有不同的长度，不同的单位。特别是，我们现在有y_i（j_i \times 1），其中j_i是单位i的若干意见。各单位总数的观测是N =∑_{i=1}^n j_i。 ydat是收集的数据向量y_i, i = 1,…,n总结各单位的所有数据一起在一个很长的向量的长度N。


参数：id
An index for individuals or clusters.
指数为个人或聚类。


参数：tvec
A vector with the time indicator of individuals or clusters.
一个向量的个人或聚类的时间指标。


参数：margmodel
Indicates the marginal model. Choices are “poisson” for Poisson, “bernoulli” for Bernoulli,  and  “nb1” , “nb2” for the NB1 and NB2 parametrization  of negative binomial in Cameron and Trivedi (1998).
表示的边际模式。选项是“泊”泊松，“伯努利”伯努利，和“NB1，NB2”为NB1和NB2参数化的负二项分布卡梅伦和Trivedi（1998）。


参数：corstr
Indicates the latent correlation structure of normal copula. Choices are “exch”, “ar”, and “unstr” for exchangeable, ar(1) and unstrucutred correlation structure, respectively.
表示潜在的相关的正常系词结构。选用的是“可置换”，“芳基”，以及“unstr”可交换的，芳基（1）和unstrucutred相关的结构，分别。


参数：link
The link function.  Choices are “log” for the log link function, “logit” for  the logit link function, and “probit” for  the probit link function.  However, this is an optional argument and needs to be defined only for probit regression.
链接功能。选择“log”的log链接功能，“罗吉”的罗吉特链接功能，和“概率”的概率链接功能。然而，这是一个可选的参数，需要定义概率回归。


Details

详细信息----------Details----------

The fixed weight matrices W_{i,\rm working} based on a working discretized MVN, of the weighted scores equations in Nikoloulopoulos et al. (2011)
固定权重矩阵W_{i,\rm working}基于离散MVN的工作，加权分数方程在Nikoloulopoulos等。 （2011）

</i>
</ P>


值----------Value----------

A list containing the following components: <table summary="R valueblock"> <tr valign="top"><td>omega</td> <td> The array with the &Omega;_i,\ i=1,&hellip;,n matrices.</td></tr> <tr valign="top"><td>delta</td> <td> The array with the &Delta;_i,\ i=1,&hellip;,n matrices.</td></tr> <tr valign="top"><td>X</td> <td> The array with the X_i,\ i=1,&hellip;,n matrices.</td></tr> </table>
一个列表，其中包含以下组件：<table summary="R valueblock"> <tr valign="top"> <TD> omega </ TD> <TD>的数组与&Omega;_i,\ i=1,&hellip;,n矩阵。 </ TD> </ TR> <tr valign="top"> <TD>delta </ TD> <TD>的&Delta;_i,\ i=1,&hellip;,n矩阵数组。</ TD> </ TR> <tr valign="top"> <TD> X </ TD> <TD>该数组的X_i,\ i=1,&hellip;,n矩阵。</ TD> </ TR> </ TABLE>


（作者）----------Author(s)----------



Aristidis K. Nikoloulopoulos <a href="mailto:A.Nikoloulopoulos@uea.ac.uk">A.Nikoloulopoulos@uea.ac.uk</a><br>
Harry Joe <a href="mailto:harry.joe@ubc.ca">harry.joe@ubc.ca</a>




参考文献----------References----------

Nikoloulopoulos, A.K., Joe, H. and Chaganty, N.R. (2011) Weighted scores method for regression models with dependent data. Biostatistics, 12, 653&ndash;665.

参见----------See Also----------

wtsc, solvewtsc, godambe, wtsc.wrapper
wtsc，solvewtsc，godambe，wtsc.wrapper


实例----------Examples----------


## Not run: [＃不运行：]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      read and set up the data set[读取和设置数据集]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
data(toenail)
xdat<-cbind(1,toenail$treat,toenail$time,toenail$treat*toenail$time)
# response[响应]
ydat<-toenail$y
#id[ID]
id<-toenail$id
#time[时间]
tvec<-toenail$time
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      select the marginal model[选择边际模型]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
margmodel="bernoulli"
link="probit"
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      select the  correlation structure[选择相关结构]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
corstr="ar"
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      perform CL1 estimation[执行CL1估计]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
i.est<-iee(xdat,ydat,margmodel,link)
cat("\niest: IEE estimates\n")
print(c(i.est$reg,i.est$gam))
est.rho<-cl1(b=i.est$reg,gam=i.est$gam,xdat,ydat,id,tvec,margmodel,corstr,link)
cat("\nest.rho: CL1 estimates\n")
print(est.rho$e)
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      obtain the fixed weight matrices[获得固定的权重矩阵]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
WtScMat<-weightMat(b=i.est$reg,gam=i.est$gam,rh=est.rho$e,
xdat,ydat,id,tvec,margmodel,corstr,link)

## End(Not run)[＃（不执行）]

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。