Question

对于一组输入（请参见下文），当我运行以下R代码时，我得到了存储在abcdee中的两个答案。现在假设我希望ncp（即ncp）中两个答案之间的差为abs(ncp[2] - ncp[1])。

在这种情况下，是否可以代替求解最小的1.4（当前输入中是df）？

df

Answer 1

由于您将所有其余部分都设为常数，因此我们可以编写一个函数ncp，该函数只接受参数df

ncp=function(df){
  sapply(c(alpha[1], alpha[2]),     # Root finding
         function(x) uniroot(f, c(-q, q+15), alpha = x, q = q, df = df)[[1]]/sqrt(30))
}

ncp(29)
[1] 0.1592547 0.9280011

之后，您可以编写一个函数，该函数采用ncp值的绝对差，我们将减去

m=function(df,y=0){
  abs(abs(diff(ncp(df)))-y)
}

简而言之，m(df,0)给出了与零相比的绝对差。而m(df,0.4)将是ncp值的绝对差-0.4。我们的目标是使该绝对值差和y最小。我会详细说明。

使用相应的y值最小化m函数：

例如，让我们尝试找到一个df，其中所有其余部分（alpha和q）保持恒定，以使ncp值的绝对差为1：

(a=optimise(m,c(1,100000),y=1))#default for minimization ie maximum=FALSE
$`minimum`
[1] 4.415955

$objective
[1] 3.798379e-08

目标值为0，因此自最小化以来我们确实找到了正确的df值。

ncp(a$minimum)
[1] 0.03385211 1.03385215

从上面的ncp值中，yu可以知道两个值之间的差确实是1。因此df = 4.415955将为我们提供上述alpha和q值的ncp绝对差为1

b=ncp(a$minimum)
abs(b[2]-b[1])
[1] 1

所以我也可以这样做：

m(a$minimum)
[1] 1

我倾向于认为现在很清楚y代表m的含义。

现在找到0.4的差，我们就做同样的事情：

 optimise(m,c(1,1000000),y=0.4,maximum = F)
$`minimum`
[1] 1e+06

$objective
[1] 0.315684

关于这一点，我们看到目标值不为零，因此我们没有收敛。即使我们要扩大范围，目标也不会改变。这意味着最小的差是objective(0.315684) +0.4 =0.715684。这是具有此alpha和q的ncp值的最小绝对差。即

m(Inf)
[1] 0.7156824

所以我们不能有0.4的绝对差，但是如果改变alpha和q，我们的绝对差将是0.4

对于y这样的m(Inf)<y<m(1)的所有值，我们都会得到一个满足条件的df

通过在R中设置标准来查找输出？

1 个答案: