covInvLogDet(spBayes)
covInvLogDet()所属R语言包：spBayes
Utility function for constructing predictive process covariance matrices
效用函数的构造预测过程的协方差矩阵
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Utility function for constructing predictive process covariance matrices
效用函数的构造预测过程的协方差矩阵
用法----------Usage----------
covInvLogDet(coords, knots, cov.model, sigma.sq,
tau.sq, theta, modified.pp=TRUE, SWM=TRUE, ...)
参数----------Arguments----------
参数：coords
a n x 2 matrix of the observation coordinates in R^2 (e.g., easting and northing).
一个n x 2R^2（例如，东向和北向）的观察坐标矩阵。
参数：knots
a m x 2 matrix of knot coordinates.
m x 2结坐标矩阵。
参数：sigma.sq
partial sill value.
偏基台值。
参数：tau.sq
nugget value.
金块价值。
参数：theta
if cov.model is matern then theta is a vector of the spatial decay and smoothness parameters; otherwise, theta is the spatial decay.
如果cov.model是materntheta是一个矢量的空间衰减和平滑参数，否则，theta是空间衰减。
参数：modified.pp
a logical value indicating if the modified predictive process should be used.
如果修改后的预测过程中应使用一个逻辑值，该值指示。
参数：cov.model
a quoted key word that specifies the covariance function used to model the spatial dependence structure among the observations. Supported covariance model key words are: "exponential", "matern", "spherical", and "gaussian". See below for details.
一个带引号的关键字，指定的协方差函数用于模拟空间之间的依赖结构的观察。支持的协方差模型的关键词是："exponential"，"matern"，"spherical"和"gaussian"。有关详细信息，请参见下文。
参数：SWM
a logical value indicating if the Sherman-Woodbury-Morrison equation should be used for computing the inverse (this is ignored if modified.pp is FALSE).
这是一个逻辑值，表示如果“谢尔曼伍德伯里 - 莫里森公式可以计算反（忽略，如果modified.pp是FALSE）。
参数：...
currently no additional arguments.
目前没有任何额外的参数。
值----------Value----------
Returns the covariance matrix, log-determinant, and inverse.
返回的协方差矩阵，数行列式和逆。
（作者）----------Author(s)----------
Andrew O. Finley <a href="mailto:finleya@msu.edu">finleya@msu.edu</a>, <br>
Sudipto Banerjee <a href="mailto:baner009@umn.edu">baner009@umn.edu</a>
实例----------Examples----------
set.seed(1)
n <- 100
coords <- cbind(runif(n),runif(n))
m <- 50
knots <- cbind(runif(m), runif(m))
theta <- c(6, 2)
sigma.sq <- 1
tau.sq <- 1
tol <- 1.0e-5
##[＃]
##non bias-adjusted predictive process[＃非偏置调整后的预测过程]
##[＃]
c1 <- covInvLogDet(coords=coords, knots=knots, cov.model="exponential",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=FALSE, SWM=FALSE)
if(max(abs(chol2inv(chol(c1$C)) - c1$C.inv)) > tol) stop("test-1 failed")
if(max(abs(2*sum(log(diag(chol(c1$C)))) - c1$log.det)) > tol)
stop("test-1 failed")
c2 <- covInvLogDet(coords=coords, knots=knots, cov.model="matern",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=FALSE, SWM=FALSE)
if(max(abs(chol2inv(chol(c2$C)) - c2$C.inv)) > tol) stop("test-2 failed")
if(max(abs(2*sum(log(diag(chol(c2$C)))) - c2$log.det)) > tol)
stop("test-2 failed")
##[＃]
##bias-adjusted predictive process[偏置调整后的预测过程]
##[＃]
c3 <- covInvLogDet(coords=coords, knots=knots, cov.model="exponential",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=TRUE, SWM=FALSE)
if(max(abs(chol2inv(chol(c3$C)) - c3$C.inv)) > tol) stop("test-3 failed")
if(max(abs(2*sum(log(diag(chol(c3$C)))) - c3$log.det)) > tol)
stop("test-3 failed")
c4 <- covInvLogDet(coords=coords, knots=knots, cov.model="matern",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=TRUE, SWM=FALSE)
if(max(abs(chol2inv(chol(c4$C)) - c4$C.inv)) > tol) stop("test-4 failed")
if(max(abs(2*sum(log(diag(chol(c4$C)))) - c4$log.det)) > tol)
stop("test-4 failed")
##[＃]
##non bias-adjusted predictive process using SWM[＃非偏置调整后的预测过程中使用SWM]
##[＃]
c5 <- covInvLogDet(coords=coords, knots=knots, cov.model="exponential",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=FALSE, SWM=TRUE)
if(max(abs(chol2inv(chol(c5$C)) - c5$C.inv)) > tol) stop("test-5 failed")
if(max(abs(2*sum(log(diag(chol(c5$C)))) - c5$log.det)) > tol)
stop("test-5 failed")
c6 <- covInvLogDet(coords=coords, knots=knots, cov.model="matern",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=FALSE, SWM=TRUE)
if(max(abs(chol2inv(chol(c6$C)) - c6$C.inv)) > tol) stop("test-6 failed")
if(max(abs(2*sum(log(diag(chol(c6$C)))) - c6$log.det)) > tol)
stop("test-6 failed")
##[＃]
##Check SWM[＃检查SWM]
##[＃]
##c.str <- sigma.sq*exp(-theta[1]*iDist(knots))[＃c.str：< - sigma.sq * EXP（-θ[1] * iDist（节））]
##ct <- sigma.sq*exp(-theta[1]*iDist(coords,knots))[＃CT：< - sigma.sq * exp（-θ[1] * iDist（坐标，绳结））]
##C.inv.swm <- diag(1/tau.sq,n)-diag(1/tau.sq,n)/%*/%ct/%*/%[＃C.inv.swm < - 诊断（1/tau.sq，N）的诊断（1/tau.sq，N）/％* /％的CT /％* /％]
## chol2inv(chol(c.str+t(ct)/%*/%diag(1/tau.sq,n)/%*/%ct))/%*/%[＃chol2inv（哲（c.str + T（CT）/％* /％诊断（1/tau.sq，N）/％* /％克拉））/％* /％]
## t(ct)/%*/%diag(1/tau.sq,n)[＃T（CT）/％* /％的诊断（1/tau.sq，Ň）]
##if(max(abs(C.inv.swm - c5$C.inv)) > tol) stop("test-5a failed")[＃（最大（ABS（C.inv.swm - C5 $ C.inv））> TOL）停止（“-5A测试失败”）]
##[＃]
##bias-adjusted predictive process using SWM[偏置调整后的预测过程中使用SWM]
##[＃]
c7 <- covInvLogDet(coords=coords, knots=knots, cov.model="exponential",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=TRUE, SWM=TRUE)
if(max(abs(chol2inv(chol(c7$C)) - c7$C.inv)) > tol) stop("test-7 failed")
if(max(abs(2*sum(log(diag(chol(c7$C)))) - c7$log.det)) > tol)
stop("test-7 failed")
c8 <- covInvLogDet(coords=coords, knots=knots, cov.model="matern",
sigma.sq=sigma.sq, tau.sq=tau.sq, theta=theta,
modified.pp=TRUE, SWM=TRUE)
if(max(abs(chol2inv(chol(c8$C)) - c8$C.inv)) > tol) stop("test-8 failed")
if(max(abs(2*sum(log(diag(chol(c8$C)))) - c8$log.det)) > tol)
stop("test-8 failed")
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 14:23:01
