R语言与核密度估计(非参数统计)题材.pptVIP

R语言与非参数统计（核密度估计） 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。 ?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，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 ,rgamma 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 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 + 1-a *dgamma x,shape alpha2,scale theta pfn -function x,a,alpha1,alpha2,theta a*pgamma x,shape alpha1,scale theta + 1-a *pgamma x,shape alpha2,scale theta curve dfn x,0.75,2,10,2 ,add T,col red 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 。 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 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 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.座机电话号码 使用极大光滑原则，假设K为