wle.gamma(wle)
wle.gamma()所属R语言包：wle
Robust Estimation in the Gamma model
在Gamma模型的鲁棒估计
译者：生物统计家园网 机器人LoveR
描述----------Description----------
wle.gamma is used to robust estimate the shape and the scale parameters via Weighted Likelihood, when the majority of the data are from a gamma distribution.
wle.gamma稳健估计的形状和尺度参数，通过加权似然，当大多数的数据是从伽玛分布。
用法----------Usage----------
wle.gamma(x, boot=30, group, num.sol=1, raf="HD", smooth=0.008,
tol=10^(-6), equal=10^(-3), max.iter=500,
shape.int=c(0.01, 100), use.smooth=TRUE, tol.int,
verbose=FALSE, maxiter=1000)
参数----------Arguments----------
参数：x
a vector contain the observations.
一个向量包含的意见。
参数：boot
the number of starting points based on boostrap subsamples to use in the search of the roots.
基于自举子样本的起点，使用在搜索的根的数目。
参数：group
the dimension of the bootstap subsamples. The default value is max(round(size/4),var) where size is the number of observations and var is the number of variables.
的维度的bootstap子样本。默认值是max(round(size/4),var)size的一些意见和var是变量的数目。
参数：num.sol
maximum number of roots to be searched.
要搜索的最大根数。
参数：raf
type of Residual adjustment function to be use:
类型的残余调节功能，可以使用：
raf="HD": Hellinger Distance RAF,
raf="HD"：Hellinger距离RAF，
raf="NED": Negative Exponential Disparity RAF,
raf="NED"：负指数差异RAF，
raf="SCHI2": Symmetric Chi-Squared Disparity RAF.
raf="SCHI2"：对称卡方差异皇家空军。
参数：smooth
the value of the smoothing parameter.
的平滑化参数的值。
参数：tol
the absolute accuracy to be used to achieve convergence of the algorithm.
要使用的绝对精度实现算法的收敛性。
参数：equal
the absolute value for which two roots are considered the same. (This parameter must be greater than tol).
绝对的值，两个根被认为是相同的。 （此参数必须大于tol）。
参数：max.iter
maximum number of iterations for the main function.
为主要功能的迭代的最大数量。
参数：shape.int
a 2 dimension vector for the interval search of the shape parameter.
2维矢量形状参数的区间。
参数：use.smooth
if FALSE the unsmoothed model is used. This is usefull when the integration routine does not work well.
如果FALSE未滤波的模型使用。这是有用的，当积分程序无法正常工作。
参数：tol.int
the absolute accuracy to be used in the integration routine. The default value is tol*10^{-4}.
整合例程中要使用的绝对精度。默认值是tol*10^{-4}。
参数：verbose
if TRUE warnings are printed.
如果TRUE警告被打印出来。
参数：maxiter
maximum number of iterations. This value is passed to uniroot function.
最大迭代次数。该值被传递到uniroot函数。
Details
详细信息----------Details----------
The gamma is parametrized as follows (α = scale, ω = shape):
伽马参数化如下（α = scale，ω = shape）：
f(x) = 1/(α^ω Gamma(ω)) x^(ω-1) e^-(x/α)
f(x) = 1/(α^ω Gamma(ω)) x^(ω-1) e^-(x/α)
for x > 0, α > 0 and ω > 0.
x > 0，α > 0和ω > 0。
The function use uniroot to solve the estimating equation for shape, errors from uniroot are handled by try. If errors occurs then the function returns NA.
功能使用uniroot解决的估算公式为shape“的错误uniroot是处理try。如果发生错误，则函数返回NA。
You can use shape.int to avoid them. It also use a fortran routine (dqagp) to calculate the smoothed model, i.e., evaluate the integral. Sometime the accuracy is not satisfactory, you can use use.smooth=FALSE to have an approximate estimation using the model instead of the smoothed model.
您可以使用shape.int，以避免他们。它也可以使用一个Fortran的程序（dqagp）的计算平滑的模式，即，评估的积分。有时的准确性不理想，你可以使用use.smooth=FALSE有一个近似估计的模型，而不是平滑的模型。
The Folded Normal distribution is use as kernel. The bandwith is smooth*shape/scale^2.
倍数正态分布为核心。的带宽是smooth*shape/scale^2。
值----------Value----------
wle.gamma returns an object of class "wle.gamma".
wle.gamma返回一个对象的class"wle.gamma"的。
Only print method is implemented for this class.
只打印的方法来实现这个类。
The object returned by wle.gamma are:
对象返回wle.gamma是：
<table summary="R valueblock"> <tr valign="top"><td>shape</td> <td> the estimator of the shape parameter, one value for each root found.</td></tr> <tr valign="top"><td>scale</td> <td> the estimator of the scale parameter, one value for each root found.</td></tr> <tr valign="top"><td>rate</td> <td> the estimator of the rate parameter (1/scale), one value for each root found.</td></tr> <tr valign="top"><td>tot.weights</td> <td> the sum of the weights divide by the number of observations, one value for each root found.</td></tr> <tr valign="top"><td>weights</td> <td> the weights associated to each observation, one column vector for each root found.</td></tr> <tr valign="top"><td>f.density</td> <td> the non-parametric density estimation.</td></tr> <tr valign="top"><td>m.density</td> <td> the smoothed model.</td></tr> <tr valign="top"><td>delta</td> <td> the Pearson residuals.</td></tr> <tr valign="top"><td>call</td> <td> the match.call().</td></tr> <tr valign="top"><td>tot.sol</td> <td> the number of solutions found.</td></tr> <tr valign="top"><td>not.conv</td> <td> the number of starting points that does not converge after the max.iter iteration are reached.</td></tr>
<table summary="R valueblock"> <tr valign="top"> <TD> shape</ TD> <TD>的形状参数的估计，每一根发现。</ TD> </ TR> <tr valign="top"> <TD> scale</ TD> <TD>的尺度参数的估计，每根发现的一个值。</ TD> </ TR> < TR VALIGN =“顶”> <TD>rate </ TD> <TD>估计的速度的参数（1/scale），一个值每根发现。</ TD> </ TR> < TR VALIGN =“顶”> <TD>tot.weights </ TD> <TD>的权重总和除以观测值的数量，每根发现的一个值。</ TD> </ TR> < TR VALIGN =“顶”> <TD>weights </ TD> <TD>相关的权重给每个观察，每一根发现一个列向量。</ TD> </ TR> <TR VALIGN =“顶“<TD> f.density </ TD> <TD>非参数密度估计。</ TD> </ TR> <tr valign="top"> <TD>m.density / TD> <TD>的平滑模型。</ TD> </ TR> <tr valign="top"> <TD>delta </ TD> <TD> Pearson残差。</ TD> < / TR> <tr valign="top"> <TD> call </ TD> <TD> match.call（）。</ TD> </ TR> <tr valign="top"> < tot.sol TD> </ TD> <TD>找到解决方案的数量。</ TD> </ TR> <tr valign="top"> <TD>not.conv </ TD> <TD >起点后max.iter迭代不收敛的数目达到。</ TD> </ TR>
</table>
</ TABLE>
（作者）----------Author(s)----------
Claudio Agostinelli
参考文献----------References----------
Markatou, M., Basu, A. and Lindsay, B.G., (1998). Weighted likelihood estimating equations with a bootstrap root search, Journal of the American Statistical Association, 93, 740-750.
实例----------Examples----------
library(wle)
x <- rgamma(n=100, shape=2, scale=2)
wle.gamma(x)
x <- c(rgamma(n=30, shape=2, scale=2), rgamma(n=100, shape=20, scale=20))
wle.gamma(x, boot=10, group=10, num.sol=2) # depending on the sample, one or two roots. [取决于样品，一个或两个根。]
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 2012-10-1 22:39:54
