R语言 RPA包 RPA.iteration()函数中文帮助文档(中英文对照)

loveR

RPA.iteration(RPA)
RPA.iteration()所属R语言包：RPA

                                        Estimating model parameters d and sigma2.
                                         估计模型参数d和sigma2。

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Finds point estimates of the model parameters d (estimated true signal underlying probe-level observations), and sigma2
查找点估计模型参数D（估计真实信号的基本探针水平观察），sigma2


用法----------Usage----------


                     alpha = NULL, beta = NULL,
                     sigma2.method = "fast", d.method = "fast",



参数----------Arguments----------

参数：S
Matrix of probe-level observations for a single probeset: samples x probes.
矩阵探针级为一个单一的probeset意见：标本x探针。


参数：epsilon
Convergence tolerance. The iteration is deemed converged when the change in all parameters is < epsilon.
收敛公差。被视为融合时，所有参数的变化是<小量的迭代。


参数：alpha, beta
Priors for inverse Gamma distribution of probe-specific variances. Noninformative prior is obtained with alpha, beta -> 0.  Not used with sigma2.method 'var'. Scalar alpha and beta are specify equal inverse Gamma prior for all probes to regularize the solution. The defaults depend on the method.
探针的具体差额逆Gamma分布的先验。无信息之前得到α，β - > 0。不使用sigma2.methodVAR。标α和β是逆伽马指定等于事先规范的解决方案的所有探针。默认值取决于方法。


参数：sigma2.method
Optimization method for sigma2 (probe-specific variances).  "robust": (default) update sigma2 by posterior mean, regularized by informative priors that are identical for all probes (user-specified by setting scalar values for alpha, beta). This regularizes the solution, and avoids overfitting where a single probe obtains infinite reliability. This is a potential problem in the other sigma2 update methods with non-informative variance priors. The default values alpha = 2; beta = 1 are used if alpha and beta are not specified.  "mode": update sigma2 with posterior mean  "mean": update sigma2 with posterior mean  "var": update sigma2 with variance around d. Applies the fact that sigma2 cost function converges to variance with large sample sizes.   
优化方法sigma2（探针的具体差异）。 “稳健”：（默认）更新后平均sigma2，正规化的先验信息是相同的所有探针（α，β的标值设置为用户指定）。本规范的解决方案，避免过拟合一个探针获得无限的可靠性。这是一个潜在的问题在其他sigma2更新方法与非信息方差先验。默认值，α= 2，β= 1，如果未指定alpha和beta。 “模式”：sigma2更新后平均“的意思”：更新后平均“VAR”sigma2：更新sigma2与周围&#240;方差。适用的事实，sigma2成本函数收敛大样本的方差。


参数：d.method
Method to optimize d.  "fast": (default) weighted mean over the probes, weighted by probe variances The solution converges to this with large sample size.  "basic": optimization scheme to find a mode used in Lahti et al. TCBB/IEEE; relatively slow; this is the preferred  method with small sample sizes.  
方法优化&#240;。 “快”：（默认）以上的探针，探针解决方案收敛到这个大样本方差加权加权平均。 “基本”：优化方案，以找到在拉赫蒂等使用模式。 TCBB / IEEE相对缓慢，这是小样本的首选方法。


参数：maxloop
Maximum number of iterations in the estimation process.
在估计过程中的迭代的最大数量。


Details

详情----------Details----------

Assuming data set S with P observations of signal d with Gaussian noise that is specific for each observation (specified by a vector sigma2 of length P), this method gives a point estimate of d and sigma2. Probe-level variance priors alpha, beta can be used with sigma2.methods 'robust', 'mode', and 'mean'.  The d.method = "fast" is the recommended method for point computing point estimates with large
假设数据设置信号d P级高斯噪声，是每个观察（由指定的长度P的矢量sigma2）具体的意见s，此方法给出了d和sigma2点估计。探针水平方差先验α，β可以用“稳健”sigma2.methods模式，是什么意思“。 d.method =“快”是大点计算点估计的推荐的方法


值----------Value----------

A list with the following elements:
具有下列内容的列表：


参数：d
A vector. Estimated 'true' signal underlying the noisy probe-level observations.
一个向量。估计真的背后嘈杂的探针级观测的信号。


参数：sigma2
A vector. Estimated variances for each measurement (or probe).
一个向量。每次测量的估计方差（或探针）。


作者（S）----------Author(s)----------


Leo Lahti <a href="mailto:leo.lahti@iki.fi">leo.lahti@iki.fi</a>



参考文献----------References----------

Gene Expression Studies with Short Oligonucleotide Arrays.  Lahti et

举例----------Examples----------



## Not run:[＃无法运行：]

## Preprocess probe-level data[＃预处理探针级数据]
## cind determines the 'reference' array[＃cind决定“参考”数组]
#Smat &lt;- RPA.preprocess(Dilution, cind = 1)[SMAT < -  RPA.preprocess（稀释，cind 1）]

## Pick probe-level data for one probe set[＃选择一个探针组探针级数据]
#pmindices &lt;- pmindex(Dilution, "1000_at")[[1]][pmindices < -  pmindex（稀释，“1000_at”）[1]]
#S &lt;- t(Smat$fcmat[pmindices, ])[< -  T（SMAT美元fcmat [pmindices，]）]

## RPA with default parameters:[＃爱国默认参数：]
#res &lt;- RPA.iteration(S)[< -  RPA.iteration水库（S）]


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。