0

我正在做一个 EM 估计，在 M 步骤中我需要最大似然估计，它有 24 个参数。我尝试了 R 中的 nlm/optim/maxLik 函数。它们都很慢。欢迎任何建议。谢谢。这是 LogL 函数：（选择 M、S、K、N 和 Alpha 是已知的。）

logl <- function(theta,choices,M,S,K,N,Alpha){

betas <- theta[(1:(S*(K+1)))]
betas<-matrix(betas,S,K+1,byrow=TRUE)

loglik <-for (n in 1:N){
pr1s=foreach (s=1:S) %dopar%{ 
pr11=foreach (i = 1:K) %dopar%{ 
exp(sum(betas[s,]*choices[[n]][i,]))/exp(sum(M[[i]]%*%betas[s,]))}
pr11=as.numeric(pr11)
prod(pr11) 
}
pr1sn=as.numeric(pr1s) 

l[n]= sum(Alpha*pr1sn)
}
L=-sum(log((l)))
return(L)}

我想要得到的是：

ops=nlm(logl,theta.start,choices=choices,M=M,S=2,K=11,N=3,Alpha=Alpha,hessian=TRUE)
4

1 回答 1

9

我建议你让你的代码更整洁。始终如一。您将更容易阅读和改进代码。

据我了解，您有三个循环。所有这些都可以并行完成，不是吗？为什么你用 做一个循环，用 做for另外两个foreach？有什么原因吗？

这个任务loglik <- for (n in 1:N)是干什么的？

有一个.combine论点foreach可以在这里使用。%:%嵌套循环有一个运算符。

试图改进代码。但是不确定我是否理解正确。并且不确定它是否比你的更快。需要可重复的示例才能在时间上给出更准确的答案。

logl <- function(theta, choices, M, S, K, N, Alpha) {
  betas <- theta[(1:(S*(K+1)))]
  betas <- matrix(betas, S, K+1, byrow=TRUE)

  l <- foreach(n = 1:N, .combine = c) %:%
    foreach(s = 1:S, .combine = sum) %:%
      foreach(i = 1:K, .combine = prod) %dopar% {
        exp(sum(betas[s,] * choices[[n]][i,])) / exp(sum(M[[i]] %*% betas[s,]))
      }

  return(-sum(log(Alpha * l)))
}
于 2012-12-12T13:52:08.540 回答