核密度图解剖.pdf

R 语言与非参数统计（核密度估计） 背景 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 ）。 原理 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。 代码作图示例 我们可以举一个极端的例子：在R 中输入： ? [plain] view plaincopyprint? 1. 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： ? [plain] view plaincopyprint? 1. set.seed(10) 2. 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： ? [plain] view plaincopyprint? 1. 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 ? [plain] view plaincopyprint? 1. dfn-function(x,a,alpha1,alpha2,theta){ 2. a*dgamma(x,shape=alpha1,scale=theta)+(1- a)*dgamma(x,shape=alpha2,scale=theta)} 3. pfn-function(x,a,alpha1,alpha2,theta){ 4. a*pgamma(x,shape=alpha1,scale=theta)+(1- a)*pgamma(x,shape=alpha2,scale=theta)} 5. 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： ? [plain] view plaincopyprint? 1. dfn1-function(x){ 2. 0.5*dnorm(x,3,1)+0.5*dnorm(x,-3,1)} 3. par(mfrow=c(2,2)) 4. curve(dfn1(x),from=-6,to=6) 5. data-c(rnorm(200,3,1),rnorm(200,-3,1)) 6. plot(density(data,bw=8)) 7. plot(density(data,bw=0.8