ডেরাইভেটিভগুলির কার্নেল ঘনত্বের প্রাক্কলনকারীগুলির জন্য কি কোনও সর্বোত্তম ব্যান্ডউইথ আছে?


14

কার্নেল ঘনত্ব অনুমানকারী ব্যবহার করে পর্যবেক্ষণের একটি সেটের ভিত্তিতে আমার ঘনত্ব ফাংশনটি অনুমান করা দরকার। একই পর্যবেক্ষণগুলির ভিত্তিতে, আমারও ঘনত্বের প্রথম এবং দ্বিতীয় ডেরাইভেটিভগুলি কার্নেল ঘনত্ব অনুমানকারকের ডেরিভেটিভগুলি ব্যবহার করে অনুমান করতে হবে। ব্যান্ডউইথ অবশ্যই চূড়ান্ত ফলাফল দুর্দান্ত প্রভাব ফেলবে।

প্রথমত, আমি জানি যে বেশ কয়েকটি আর ফাংশন রয়েছে যা কে-ডি-ই ব্যান্ডউইদথ দেয়। কোনটি বেশি পছন্দ তা আমি নিশ্চিত নই। কে-ই ব্যান্ডউইথের জন্য এই আর ফাংশনগুলির মধ্যে যে কোনও একটির সুপারিশ করতে পারেন?

দ্বিতীয়ত, কেডিএর ডেরাইভেটিভের জন্য, আমি কি একই ব্যান্ডউইথকে বেছে নিতে পারি?


ঘনত্বের জন্য ব্যান্ডউইথের পছন্দটি সর্বদা কিছুটা বিষয়ভিত্তিক। এটি খুব সংকীর্ণ কী এমন একটি প্রশ্ন এবং তাই বক্ররেখার প্রবণতাটি খুব বেশি প্রশস্ত হয় যেখানে বাঁক খুব মসৃণ হয় এবং বক্ররেখার কিছু বাস্তব বৈশিষ্ট্য মিস করে। তবে আকারটি বের করার জন্য আপনি ঘনত্বটি অনুমান করেন। সুতরাং অনুমানটি কতটা মসৃণ হওয়া উচিত তা জানা সহজ নয়। ডেরিভেটিভগুলির জন্য আমি মনে করি এটি ডেরাইভেটিভের কোন বৈশিষ্ট্য সম্পর্কে আপনি জানতে চান তার উপর নির্ভর করে।
মাইকেল আর চেরনিক

উত্তর:


15

ঘনত্বের অনুমানের জন্য ডেরাইভেটিভ অনুমানের জন্য অনুকূল ব্যান্ডউইথ ব্যান্ডউইথ থেকে পৃথক হবে। সাধারণভাবে, ঘনত্বের প্রতিটি বৈশিষ্ট্যের নিজস্ব অনুকূল ব্যান্ডউইথ নির্বাচক থাকে।

যদি আপনার উদ্দেশ্যটি হ'ল সংহত স্কোয়ার ত্রুটিটি হ্রাস করা হয় (যা সাধারণ মানদণ্ড) এটি সম্পর্কে বিষয়ভিত্তিক কিছুই নেই। মানটি যে মানদণ্ডকে হ্রাস করে তা প্রাপ্ত করার বিষয়টি। হেনসেন (২০০৯) এর ২.১০ অনুচ্ছেদে সমীকরণগুলি দেওয়া হয়েছে ।

জটিল অংশটি হ'ল অনুকূল ব্যান্ডউইদথটি নিজেই ঘনত্বের একটি ফাংশন, সুতরাং এই সমাধানটি সরাসরি কার্যকর হয় না। এই সমস্যাটি মোকাবেলা করার জন্য প্রচুর পদ্ধতি রয়েছে। এগুলি সাধারণত সাধারণ আনুমানিক ব্যবহার করে ঘনত্বের কয়েকটি কার্যকারিতা আনুমানিক। (দ্রষ্টব্য, ঘনত্ব নিজেই স্বাভাবিক যে অনুমান করা যায় না। ধারণাটি হ'ল ঘনত্বের কিছু ক্রিয়াকলাপ স্বাভাবিকতা ধরে ধরে নেওয়া যেতে পারে))

যেখানে আনুমানিকতা আরোপিত হয় তা নির্ধারণ করে যে ব্যান্ডউইথ নির্বাচক কতটা ভাল। ক্রুডেস্ট অ্যাপ্রোচকে "সাধারণ রেফারেন্স রুল" বলা হয় যা উচ্চ স্তরে প্রায় সীমাবদ্ধকরণ আরোপ করে। হ্যানসেনের বিভাগের ২.১০ (২০০৯) এর শেষে এই পদ্ধতির সাহায্যে সূত্রটি দেওয়া হয়েছে। এই পদ্ধতির বাস্তবায়িত হয় hns()থেকে ফাংশন ksCran উপর প্যাকেজ। আপনি নিজের কোডটি লিখতে না চাইলে সম্ভবত এটিই সেরা। সুতরাং আপনি নিম্নলিখিত হিসাবে ব্যবহার (ঘনত্ব ks) এর ডেরাইভেটিভ অনুমান করতে পারেন :

library(ks)
h <- hns(x,deriv.order=1)
den <- kdde(x, h=h, deriv.order=1)

সাধারণত একটি "সরাসরি প্লাগ ইন" নির্বাচক হিসাবে পরিচিত একটি আরও ভাল পদ্ধতির, নীচের স্তরে প্রায় অনুমিতি আরোপ করে। সরল ঘনত্বের অনুমানের জন্য, এটি হ'ল শাদার-জোনস পদ্ধতি, যা আর ব্যবহার করে প্রয়োগ করা হয়েছিল density(x,bw="SJ")। তবে, আমি মনে করি না যে কোনও আর প্যাকেজে ডেরিভেটিভ অনুমানের জন্য অনুরূপ সুবিধা পাওয়া যায়।

সোজা কার্নেল অনুমান ব্যবহার করার পরিবর্তে, আপনি স্থানীয় বহুবর্ষীয় অনুমানের সাথে আরও ভাল হতে পারেন। এটি আর locpoly()এর ksপ্যাকেজ থেকে ফাংশনটি ব্যবহার করে করা যায় Again যেমন,

den2 <- locpoly(x, bandwidth=?, drv=1) # Need to guess a sensible bandwidth

ধন্যবাদ এক মিলিয়ন, রব। আমি সম্ভবত ঘনত্বের অনুমানের জন্য এসজে ব্যান্ডউইথ ব্যবহার করব।
ব্যবহারকারী 13154

ডেরাইভেটিভ অনুমানের জন্য, আমি যদি h <- hns (x) ব্যবহার করি; ড্যান <- কেডিডি (এক্স, এইচ = এইচ, ডেরিভ.অর্ডার = 1), এইচটি অনুমানের জন্য ব্যবহৃত সর্বোত্তম ব্যান্ডউইথ। আমি এটি জিজ্ঞাসা করছি কারণ এইচ <- hns (x) ডেরিভেটিভ ক্রম নির্দিষ্ট না করেই বেছে নেওয়া হয়েছে। ধন্যবাদ।
ব্যবহারকারী 13154

আমি হানসেনের (২০০৯) বিভাগের ২.১০ এর শেষে দেওয়া সূত্রটি পরীক্ষা করেছিলাম। দেখে মনে হচ্ছে ব্যান্ডউইথটি ডেরাইভেটিভের অর্ডারের উপর নির্ভর করে, বলুন rth ডেরিভেটিভ। h <- hns (x) আর এর উপর নির্ভর করে না বলে মনে হয়।
ব্যবহারকারী 13154

আমি সবেমাত্র জানতে পেরেছি যে এইচএনএস ফাংশনটিতে একটি ডেরিভ.অর্ডার যুক্তি রয়েছে যেখানে আমি আদেশটি ডেরাইভেটিভস নির্দিষ্ট করতে পারি। আবার অনেক ধন্যবাদ, রব।
ব্যবহারকারী 13154

দুঃখিত। আমি যে বাইরে রেখেছি। এখন স্থির।
রব হেন্ডম্যান
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.