通過R中的泊松分布函數？

Question

我正在嘗試進行一項試驗，該試驗通過泊松分布運行幾個變化的變量並給出輸出。 歷時三年，共有12個集群。 1-6組均為對照組，7〜12組為干預組。

第一年將有集群1-12。 進行6次控制和6次干預。 第二年和第三年相同。 因此，在第一年中，您得到av，每個群集的v都相同，但是每個群集具有不同的lambda。

這是基本的代碼和公式。

mu=3.4
lambda=rnorm(1,0,.27)
v=rnorm(1,0,.53)
e=rnorm(1,0,.74)
x=rpois(1, exp(mu+lambda+v+e))

Lambda和v通常與那些st。 每組的偏差。 我想在第1年讓它采用v = rnorm（1,0，.53）並通過等式進行運算。 同時，我希望它采用lambda = rnorm（1,0，.27）並針對從第一年開始具有相同v的12個集群中的每個集群進行運行。 因此，基本上每年1個v和12個lambda。 我相信這可以通過函數來​​完成，但是我在使用它時遇到了困難。 我嘗試使用for循環，但我不認為它確實在執行我想要的操作。 這是帶有for循環的代碼：

mu=3.4
lambda=numeric(length=12)
v=numeric(length=3)
for (i in 1:120{
lambda[i]=rnorm(1,0,.27)
}
for (j in 1:3){
v[j]=rnorm(1,0,.53)
}
e=rnorm(1,0,.74)
x=rpois(1, exp(mu+lambda+v+e))

我不確定這是否在做正確的事情，所以如果有更多經驗的人可以解釋我的代碼在做什么，以及如何使用lambda和v函數使我的代碼滿足我的要求，我將不勝感激。 謝謝您的幫助。

Answer 1

聽起來您有12個小組，三年，總共36個數據點。 對於每一年，我都有一個單一值v [i]和12個特定於組的值lambda [1]，lambda [2]，...，lambda [12]。 您並未真正指定每個e的繪制方式，因此我們假設存在一個全局e值。

您可以為每個組和年份建立一個具有相關參數的數據框：

dat <- expand.grid(group=1:12, year=1:3)

然后，您可以在數據框中指定每個參數：

set.seed(144)
dat$lambda <- rnorm(36, 0, .27)
dat$v <- ave(dat$year, dat$year, FUN=function(x) rnorm(1, 0, .53))
dat$e <- rnorm(1, 0, .74)
dat$mu <- 3.4

最終，您可以基於所有其他指定參數從泊松分布計算x值。

dat$x <- apply(dat, 1, function(x) rpois(1, exp(sum(x[3:5]))))
dat
#    group year       lambda         e           v x
# 1      1    1 -0.445650165 0.4905398 -0.68348553 0
# 2      2    1  0.162758849 0.4905398 -0.68348553 0
# 3      3    1 -0.127948650 0.4905398 -0.68348553 0
# 4      4    1 -0.485355518 0.4905398 -0.68348553 0
# 5      5    1 -0.383702670 0.4905398 -0.68348553 1
# 6      6    1  0.042899625 0.4905398 -0.68348553 1
# 7      7    1  0.035036875 0.4905398 -0.68348553 3
# 8      8    1 -0.339165570 0.4905398 -0.68348553 0
# 9      9    1  0.039870111 0.4905398 -0.68348553 0
# 10    10    1  0.264376944 0.4905398 -0.68348553 2
# 11    11    1 -0.158722934 0.4905398 -0.68348553 2
# 12    12    1  0.065626713 0.4905398 -0.68348553 0
# 13     1    2 -0.119740653 0.4905398 -0.94943812 1
# 14     2    2 -0.273056956 0.4905398 -0.94943812 0
# 15     3    2  0.082479733 0.4905398 -0.94943812 1
# 16     4    2  0.004055817 0.4905398 -0.94943812 3
# 17     5    2 -0.136651972 0.4905398 -0.94943812 0
# 18     6    2 -0.379565000 0.4905398 -0.94943812 1
# 19     7    2 -0.347022844 0.4905398 -0.94943812 0
# 20     8    2 -0.025990597 0.4905398 -0.94943812 0
# 21     9    2  0.136014382 0.4905398 -0.94943812 3
# 22    10    2  0.063815822 0.4905398 -0.94943812 0
# 23    11    2  0.067932957 0.4905398 -0.94943812 1
# 24    12    2  0.099834989 0.4905398 -0.94943812 0
# 25     1    3 -0.135519422 0.4905398 -0.04616012 3
# 26     2    3 -0.226890654 0.4905398 -0.04616012 2
# 27     3    3 -0.024936233 0.4905398 -0.04616012 1
# 28     4    3 -0.182543225 0.4905398 -0.04616012 2
# 29     5    3  0.537843637 0.4905398 -0.04616012 2
# 30     6    3  0.291349032 0.4905398 -0.04616012 3
# 31     7    3  0.255455171 0.4905398 -0.04616012 0
# 32     8    3 -0.053874069 0.4905398 -0.04616012 5
# 33     9    3  0.052474650 0.4905398 -0.04616012 0
# 34    10    3 -0.317645288 0.4905398 -0.04616012 0
# 35    11    3  0.162754030 0.4905398 -0.04616012 1
# 36    12    3  0.337018922 0.4905398 -0.04616012 8