Question

我正在进行模拟研究，并编写了以下R代码。反正有没有使用两个for循环来编写这段代码，或者使它更高效（运行得更快）？

S = 10000
n = 100
v = c(5,10,50,100)
beta0.mle = matrix(NA,S,length(v))  #creating 4 S by n NA matrix 
beta1.mle = matrix(NA,S,length(v))
beta0.lse = matrix(NA,S,length(v))
beta1.lse = matrix(NA,S,length(v))
for (j in 1:length(v)){
  for (i in 1:S){
    set.seed(i)
    beta0 = 50
    beta1 = 10
    x = rnorm(n)
    e.t = rt(n,v[j])
    y.t = e.t + beta0 + beta1*x
    func1 = function(betas){
      beta0 = betas[1]
      beta1 = betas[2]
      sum = sum(log(1+1/v[j]*(y.t-beta0-beta1*x)^2))
      return((v[j]+1)/2*sum)
    }
    beta0.mle[i,j] = nlm(func1,c(1,1),iterlim = 1000)$estimate[1]
    beta1.mle[i,j] = nlm(func1,c(1,1),iterlim = 1000)$estimate[2]
    beta0.lse[i,j] = lm(y.t~x)$coef[1]
    beta1.lse[i,j] = lm(y.t~x)$coef[2]
  }
}

第二个func1循环内的函数for用于nlm函数（在发布错误时查找mle）。我想在R中使用parallel包，但我没有找到任何有用的功能。

Answer 1

在R中运行得更快的关键是用矢量化函数（例如for族）替换apply循环。此外，对于任何编程语言，您应该使用相同的参数多次查找要调用昂贵函数的位置（例如nlm），并查看可以存储结果的位置，而不是每次重新计算。 / p>

这里我通过定义参数开始。此外，由于beta0和beta1总是50和10，我也会在这里定义。

S <- 10000
n <- 100
v <- c(5,10,50,100)
beta0 <- 50
beta1 <- 10

接下来，我们将在循环外定义func1以避免每次重新定义它。 func1现在有两个额外参数v和y.t，因此可以使用新值调用它。

func1 <- function(betas, v, y.t, x){
  beta0 <- betas[1]
  beta1 <- betas[2]
  sum <- sum(log(1+1/v*(y.t-beta0-beta1*x)^2))
  return((v+1)/2*sum)
}

现在我们确实做了真正的工作。我们使用嵌套的apply语句，而不是嵌套循环。外lapply将为v的每个值创建一个列表，内vapply将为您想要获得的四个值（beta0.mle，{{1 } {}，beta1.mle，beta0.sle）代表beta1.lse的每个值。

最后，我们可以将所有内容重新组织成四个矩阵。

values <- lapply(v, function(j) vapply(1:S, function(s) {
  # This should look familiar, it is taken from your code
  set.seed(s)
  x <- rnorm(n)
  e.t <- rt(n,j)
  y.t <- e.t + beta0 + beta1*x
  # Rather than running `nlm` and `lm` twice, we run it once and store the results
  nlmmod <- nlm(func1,c(1,1), j, y.t, x, iterlim = 1000)
  lmmod <- lm(y.t~x)
  # now we return the four values of interest
  c(beta0.mle = nlmmod$estimate[1],
    beta1.mle = nlmmod$estimate[2],
    beta0.lse = lmmod$coef[1],
    beta1.lse = lmmod$coef[2])
}, numeric(4)) # this tells `vapply` what to expect out of the function
)

作为最后一点，根据您使用beta0.mle <- vapply(values, function(x) x["beta0.mle", ], numeric(S)) beta1.mle <- vapply(values, function(x) x["beta1.mle", ], numeric(S)) beta0.lse <- vapply(values, function(x) x["beta0.lse.(Intercept)", ], numeric(S)) beta1.lse <- vapply(values, function(x) x["beta1.lse.x", ], numeric(S))索引设置种子的原因，可以重新组织它以更快地运行。如果知道使用什么种子来生成S x非常重要，那么我可以做到最好。但是，如果您只是为了确保rnorm的所有值都在v的相同值上进行测试，那么我们可以进行更多重组，这样可以提高x的速度{ {1}}。

如何使这个R代码（for循环）更有效？

1 个答案: