wle.normal(wle)
wle.normal()所属R语言包：wle
Robust Estimation in the Normal Model
抗差估计在正常模式
译者：生物统计家园网 机器人LoveR
描述----------Description----------
wle.normal is used to robust estimate the location and the scale parameters via Weighted Likelihood, when the sample is iid from a normal distribution with unknown mean and variance.
wle.normal是强大的，是独立同分布的正态分布的均值和方差未知样品时，通过加权似然估计的位置和尺度参数。
用法----------Usage----------
wle.normal(x, boot=30, group, num.sol=1, raf="HD",
smooth=0.003, tol=10^(-6), equal=10^(-3),
max.iter=500, verbose=FALSE)
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),2) where size is the number of observations.
的维度的bootstap子样本。默认值是max(round(size/4),2)size的若干意见。
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.
最大迭代次数。
参数：verbose
if TRUE warnings are printed.
如果TRUE警告被打印出来。
值----------Value----------
wle.normal returns an object of class "wle.normal".
wle.normal返回一个对象的class"wle.normal"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.normal are:
对象返回wle.normal是：
<table summary="R valueblock"> <tr valign="top"><td>location</td> <td> the estimator of the location 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>residuals</td> <td> the residuals associated to each observation, one column vector 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>freq</td> <td> the number of starting points converging to the roots.</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> location</ TD> <TD>的位置参数的估计，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>residuals </ TD> <TD>的残差相关联的每个观察，发现每根一个列向量。</ TD> </ TR> <TR VALIGN =“顶“<TD> tot.weights </ TD> <TD>的权重总和除以观测值的数量，一个值，每一根。</ 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="top"> < f.density TD> </ 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 =“顶”> <TD>freq </ TD> <TD>收敛的根源出发点的数量。</ TD> </ TR> <tr valign="top"> <TD >call</ TD> <TD> match.call（）。</ TD> </ TR> <tr valign="top"> <TD> tot.sol</ TD> <TD找到解决方案的数量。</ TD> </ TR> <tr valign="top"> <TD>not.conv </ TD> <TD>的出发点不收敛后 max.iter迭代达到。</ 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.
参见----------See Also----------
wle.smooth an algorithm to choose the smoothing parameter for normal distribution and normal kernel.
wle.smooth一个算法来选择平滑参数的正常分布和正态分布内核。
实例----------Examples----------
library(wle)
data(cavendish)
result <- wle.normal(cavendish)
result
result <- wle.normal(cavendish,boot=20,num.sol=1)
barplot(result$weights,col=2,xlab="Observations",
ylab="Weights",ylim=c(0,1),
names.arg=seq(1:length(result$weights)))
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 22:41:16
