R语言与核密度估计(非参数统计)-PPT文档资料
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
R语言与非参数统计（核密度估计）
ຫໍສະໝຸດ Baidu
核密度估计是在概率论中用来估计未知的密度函数，属于 非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。 假设我们有n个数X1-Xn,我们要计算某一个数X的概率密度 有多大。核密度估计的方法是这样的：
其中K为核密度函数, h为设定的窗 宽。
核密度估计的原理其实是很简单的。在我们对某一事物的
概率分布的情况下。 如果某一个数在观察中出现了，我们可以认为这个数的概率 密度很大，和这个数比较近的数的概率密度也会比较大，而 那些离这个数远的数的概率密度会比较小。 基于这种想法，针对观察中的第一个数，我们都可以f(x-xi) 去拟合我们想象中的那个远小近大概率密度。 当然其实也可以用其他对称的函数。针对每一个观察中出现 的数拟合出多个概率密度分布函数之后，取平均。 如果某些数是比较重要，某些数反之，则可以取加权平均。
plot(density(data,bw=0.9685)) plot(density(data,bw=1.1210))
由我们给出的
以Gauss核为例做核密度估计
用Gauss核做核密度估计的R程序如下（还是
使用我们的混合正态密度的例子）：
将利用正态核密度与标准密度函数作对比 dfn<-function(x,a,alpha1,alpha2,theta){ a*dgamma(x,shape=alpha1,scale=theta)+(1a)*dgamma(x,shape=alpha2,scale=theta)} pfn<-function(x,a,alpha1,alpha2,theta){ a*pgamma(x,shape=alpha1,scale=theta)+(1a)*pgamma(x,shape=alpha2,scale=theta)} curve(dfn(x,0.75,2,10,2),add=T,col="red")
至少他可以解决许多模拟中存在的异方差问 题。比如说我们要估计一下下面的一组数据： set.seed(10) dat<c(rgamma(300,shape=2,scale=2),rgam ma(100,shape=10,scale=2))
可以看出它是由300个服从gamma（2,2） 与100个gamma（10,2）的随机数构成的， 他用参数统计的办法是没有办法得到一个好 的估计的。那么我们尝试使用核密度估计： plot(density(dat),ylim=c(0,0.2))
我们用上面的两种办法得到的窗宽是多少，他的核 密度估计效果好吗？ 我们还是以上面的混合正态数据为例来看看效果。 使用大拇指法则，将数据n=400,sigma=3.030658, 带入公式，h=0.9685291 使用极大光滑原则，假设K为正态核， R(K)=1/(sqrt(2*pi))，h=1.121023 可以看出他们都比我们认为的h=0.8要大一些，作图 如下：
得到下图，我们可以清楚的看到带宽为0.8恰
好合适，其余的不是拟合不足便是过拟合。
窗宽究竟该如何选择呢？
我们这里不加证明的给出最佳窗宽选择公式：
(这个基于积分均方误差最小的角度得到的) 这里介绍两个可操作的窗宽估计办法：(这两种方法都比较 容易导致过分光滑) 1、 Silverman大拇指法则 这里使用R(phi’’)/sigma^5估计R（f’’），phi代表标准正态密 度函数，得到h的表达式： h=(4/(3n))^(*1/5)*sigma 2、 极大光滑原则 h=3*(R(K)/(35n))^(1/5)*sigma当然也有比较麻烦的窗宽估计 办法，比如缺一交叉验证，插入法等，可以参阅 《computational statistics》一书
但是核密度的估计并不是，也不能够找到真 正的分布函数。我们可以举一个极端的例子： 在R中输入： plot(density(rep(0, 1000))) 可以看到它得到了正态分布的曲线，但实际 上呢？从数据上判断，它更有可能是一个退 化的单点分布。
但是这并不意味着核密度估计是不可取的，
得到下图：
（红色的曲线为真实密度曲线）
可以看出核密度与真实密度相比，得到大致的估计 是不成问题的。至少趋势是得到了的。如果换用 gamma分布的核效果无疑会更好，但是遗憾的是r 中并没有提供那么多的核供我们挑选（其实我们知 道核的选择远没有窗宽的选择来得重要），所以也 无需介怀。 R中提供的核：kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight","cosine", "optcosine")。
ker.density=function(x,h){ x=sort(x) n=length(x);s=0;t=0;y=0 for(i in 2:n) s[i]=0 for(i in 1:n){ for(j in 1:n) s[i]=s[i]+exp(-((x[i]-x[j])^2)/(2*h*h)) t[i]=s[i] } for(i in 1:n) y[i]=t[i]/(n*h*sqrt(2*pi)) z=complex(re=x,im=y) hist(x,freq=FALSE) lines(z) } ker.density(data,0.8)
我们先来看看窗宽的选择对核密度估计的影响： dfn1<-function(x){ 0.5*dnorm(x,3,1)+0.5*dnorm(x,-3,1)} par(mfrow=c(2,2)) curve(dfn1(x),from=-6,to=6) data<-c(rnorm(200,3,1),rnorm(200,-3,1)) plot(density(data,bw=8)) plot(density(data,bw=0.8)) plot(density(data,bw=0.08))
ຫໍສະໝຸດ Baidu
核密度估计是在概率论中用来估计未知的密度函数，属于 非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。 假设我们有n个数X1-Xn,我们要计算某一个数X的概率密度 有多大。核密度估计的方法是这样的：
其中K为核密度函数, h为设定的窗 宽。
核密度估计的原理其实是很简单的。在我们对某一事物的
概率分布的情况下。 如果某一个数在观察中出现了，我们可以认为这个数的概率 密度很大，和这个数比较近的数的概率密度也会比较大，而 那些离这个数远的数的概率密度会比较小。 基于这种想法，针对观察中的第一个数，我们都可以f(x-xi) 去拟合我们想象中的那个远小近大概率密度。 当然其实也可以用其他对称的函数。针对每一个观察中出现 的数拟合出多个概率密度分布函数之后，取平均。 如果某些数是比较重要，某些数反之，则可以取加权平均。
plot(density(data,bw=0.9685)) plot(density(data,bw=1.1210))
由我们给出的
以Gauss核为例做核密度估计
用Gauss核做核密度估计的R程序如下（还是
使用我们的混合正态密度的例子）：
将利用正态核密度与标准密度函数作对比 dfn<-function(x,a,alpha1,alpha2,theta){ a*dgamma(x,shape=alpha1,scale=theta)+(1a)*dgamma(x,shape=alpha2,scale=theta)} pfn<-function(x,a,alpha1,alpha2,theta){ a*pgamma(x,shape=alpha1,scale=theta)+(1a)*pgamma(x,shape=alpha2,scale=theta)} curve(dfn(x,0.75,2,10,2),add=T,col="red")
至少他可以解决许多模拟中存在的异方差问 题。比如说我们要估计一下下面的一组数据： set.seed(10) dat<c(rgamma(300,shape=2,scale=2),rgam ma(100,shape=10,scale=2))
可以看出它是由300个服从gamma（2,2） 与100个gamma（10,2）的随机数构成的， 他用参数统计的办法是没有办法得到一个好 的估计的。那么我们尝试使用核密度估计： plot(density(dat),ylim=c(0,0.2))
我们用上面的两种办法得到的窗宽是多少，他的核 密度估计效果好吗？ 我们还是以上面的混合正态数据为例来看看效果。 使用大拇指法则，将数据n=400,sigma=3.030658, 带入公式，h=0.9685291 使用极大光滑原则，假设K为正态核， R(K)=1/(sqrt(2*pi))，h=1.121023 可以看出他们都比我们认为的h=0.8要大一些，作图 如下：
得到下图，我们可以清楚的看到带宽为0.8恰
好合适，其余的不是拟合不足便是过拟合。
窗宽究竟该如何选择呢？
我们这里不加证明的给出最佳窗宽选择公式：
(这个基于积分均方误差最小的角度得到的) 这里介绍两个可操作的窗宽估计办法：(这两种方法都比较 容易导致过分光滑) 1、 Silverman大拇指法则 这里使用R(phi’’)/sigma^5估计R（f’’），phi代表标准正态密 度函数，得到h的表达式： h=(4/(3n))^(*1/5)*sigma 2、 极大光滑原则 h=3*(R(K)/(35n))^(1/5)*sigma当然也有比较麻烦的窗宽估计 办法，比如缺一交叉验证，插入法等，可以参阅 《computational statistics》一书
但是核密度的估计并不是，也不能够找到真 正的分布函数。我们可以举一个极端的例子： 在R中输入： plot(density(rep(0, 1000))) 可以看到它得到了正态分布的曲线，但实际 上呢？从数据上判断，它更有可能是一个退 化的单点分布。
但是这并不意味着核密度估计是不可取的，
得到下图：
（红色的曲线为真实密度曲线）
可以看出核密度与真实密度相比，得到大致的估计 是不成问题的。至少趋势是得到了的。如果换用 gamma分布的核效果无疑会更好，但是遗憾的是r 中并没有提供那么多的核供我们挑选（其实我们知 道核的选择远没有窗宽的选择来得重要），所以也 无需介怀。 R中提供的核：kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight","cosine", "optcosine")。
ker.density=function(x,h){ x=sort(x) n=length(x);s=0;t=0;y=0 for(i in 2:n) s[i]=0 for(i in 1:n){ for(j in 1:n) s[i]=s[i]+exp(-((x[i]-x[j])^2)/(2*h*h)) t[i]=s[i] } for(i in 1:n) y[i]=t[i]/(n*h*sqrt(2*pi)) z=complex(re=x,im=y) hist(x,freq=FALSE) lines(z) } ker.density(data,0.8)
我们先来看看窗宽的选择对核密度估计的影响： dfn1<-function(x){ 0.5*dnorm(x,3,1)+0.5*dnorm(x,-3,1)} par(mfrow=c(2,2)) curve(dfn1(x),from=-6,to=6) data<-c(rnorm(200,3,1),rnorm(200,-3,1)) plot(density(data,bw=8)) plot(density(data,bw=0.8)) plot(density(data,bw=0.08))