[英]Functions through Poisson distribution in R?
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。
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
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.