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

loveR

sbgcop.mcmc(sbgcop)
sbgcop.mcmc()所属R语言包：sbgcop

                                        Semiparametric Bayesian Gaussian copula estimation and imputation
                                         半参数贝叶斯的高斯Copula函数估计和估算

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

sbgcop.mcmc is used to semiparametrically estimate the parameters of a Gaussian copula. It can be used for posterior inference on the copula parameters, and for imputation of missing values in a matrix of ordinal and/or continuous values.
sbgcop.mcmc使用，以semiparametrically的高斯Copula函数的参数估计。它可以用来为后验推断的Copula参数，和序和/或连续的值的矩阵中的缺失值的插补。


用法----------Usage----------


sbgcop.mcmc(Y, S0 = diag(dim(Y)[2]), n0 = dim(Y)[2] + 2, nsamp = 100,
  odens = max(1, round(nsamp/1000)),
impute=any(is.na(Y)),
plugin.threshold=100,
plugin.marginal=(apply(Y,2,function(x){ length(unique(x))})>plugin.threshold),
seed = 1, verb = TRUE)



参数----------Arguments----------

参数：Y
an n x p matrix. Missing values are allowed.   
一个n×p矩阵。遗漏值是允许的。


参数：S0
a p x p positive definite matrix
一个正定矩阵P X P


参数：n0
a positive integer
一个正整数


参数：nsamp
number of iterations of the Markov chain.
马尔可夫链的迭代数。


参数：odens
output density: number of  iterations  between saved samples.  
输出密度：保存样品之间的迭代数。


参数：impute
save posterior predictive values of missing data(TRUE/FALSE)?
保存后丢失的数据（TRUE / FALSE）的预测值？


参数：plugin.threshold
if the number of unique values of a variable exceeds this integer, then plug-in the empirical distribution as the marginal.
独特的一个变量的值如果超过这个整数，然后将插头的经验分布的边际。


参数：plugin.marginal
a logical of length p. Gives finer control over  which margins to use the empirical distribution for.
长度为p的一个逻辑。以上的利润使用的经验分布，提供了更精细的控制。


参数：seed
an integer for the random seed
的随机数种子的整数


参数：verb
print progress of MCMC(TRUE/FALSE)?
打印MCMC（TRUE / FALSE）的进展情况？


Details

详细信息----------Details----------

This function produces MCMC samples from the posterior distribution of a correlation matrix, using a scaled  inverse-Wishart prior distribution and an extended rank likelihood. It also provides imputation for missing values  in a multivariate dataset.
该函数产生MCMC样本的后验分布的相关性矩阵，使用规模较小的逆Wishart先验分布和扩展排名的可能性。它还提供了多变量数据集缺失值插补。


值----------Value----------

An object of class psgc containing the following components: <table summary="R valueblock"> <tr valign="top"><td>C.psamp </td> <td> an array of size p x p x nsamp/odens, consisting of posterior samples of the correlation matrix.  </td></tr> <tr valign="top"><td>Y.pmean </td> <td> the original datamatrix with imputed values replacing missing data   </td></tr> <tr valign="top"><td>Y.impute </td> <td>  an array of size n x p x nsamp/odens, consisting of copies of the original data matrix, with posterior samples of missing values included. </td></tr> <tr valign="top"><td>LPC </td> <td> the log-probability of the latent variables at each saved sample. Used for diagnostic purposes.   </td></tr> </table>
对象的类psgc包含以下组件：<table summary="R valueblock"> <tr valign="top"> <TD>C.psamp  </ TD> <TD>一个数组的大小pxpxnsamp/odens，由后样本的相关矩阵。 </ TD> </ TR> <tr valign="top"> <TD> Y.pmean </ TD> <TD>的原始数据矩阵替换缺失数据的估算值</ TD> </ TR> <TR VALIGN =“顶部”> <TD>Y.impute </ TD> <TD>一个数组的大小nxpxnsamp/odens，后路缺失值的样本组成的原始数据矩阵的副本，包括。 </ TD> </ TR> <tr valign="top"> <TD>LPC </ TD> <TD>的log保存的样品在每个潜变量的概率。用于诊断目的。 </ TD> </ TR> </ TABLE>


（作者）----------Author(s)----------


Peter Hoff



参考文献----------References----------

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。