-1

在这段代码中，我想计算许多 alpha 值的正态分布的修剪平均值和方差（我想计算从 1 到 13 的每个 alpha 的值）并将结果存储在 data.frame 然后打印所有结果但问题是新结果存储在以前的结果之上，最后我最终只得到了 alpha 值的最后一个结果。

ProDistFun<- data.frame(matrix(nrow=91, ncol=4))
colnames(ProDistFun)<-c("x","Alpha","Trimmed Mean","Variance Of Trimmed Mean")
mu=7    # Mean Value
sigma2=4   # Variance value
for (alpha in c(0.001,0.01,0.025,0.05,0.1,0.25,0.375))
{
for(i in 1:13)
{
ProDistFun[i,1]<-i
ProDistFun[i,2]<-alpha
# The trimmed mean
a=qnorm(alpha, mean=mu, sd=sqrt(sigma2))
b=qnorm(1-alpha, mean=mu, sd=sqrt(sigma2))
fun_TM <- function(x) ((x*exp(-0.5*((x-mu)/sqrt(sigma2))^2))/((1-2*alpha)*(sqrt(2*pi*sigma2))))
MT1 <- integrate(fun_TM, a, b)
MT <-MT1$value
ProDistFun[i,3]<-MT
# The variance of trimmed mean
fun_VTM <- function(x) ((((x-MT)^2)*exp(-0.5*((x-mu)/sqrt(sigma2))^2))/(sqrt(2*pi*sigma2)))
fVTM <- integrate(fun_VTM, a, b)
fV <- fVTM$value
VT=((fV+(alpha*(a-MT)^2)+(alpha*(b-MT)^2))/((1-2*alpha)^2))
ProDistFun[i,4]<-VT
}
}
print(ProDistFun)
4

2 回答 2

0

保存循环中生成的所有原子值的一般方法是在循环之前创建一个空向量，然后将新值附加到循环内的向量中。例如，

output <- vector()
for (i in 1:5) {
      newvalue <- i
      output <- c(output, newvalue)
}
于 2020-09-29T23:41:30.207 回答
0

编辑于 9 月 30 日 12:23 小时

我仍然不完全清楚你想用 x 完成什么，因为你以令人困惑的方式使用它，但是使用你的大部分代码并大大简化，但仍然使用for loop

创建一个没有矩阵扭曲的空数据框。

ProDistFun <- data.frame(
   x = integer(0), 
   Alpha = numeric(0), 
   Trimmed_Mean = numeric(0), 
   Variance_Of_Trimmed_Mean = numeric(0)
   )

分配你的两个常数。 重要提示- 在您的代码中，请停止将分配<-视为同一件事，因为=它会导致问题。

mu <- 7    # Mean Value
sigma2 <- 4   # Variance value

将您的两个函数拉出循环（每次迭代都重新运行它们没有意义）。我不知道它们是否正确，但它们似乎有效。在我看来，在这些函数中，您希望 x 值成为 的值，i因此我进行了更改。如果你不这样做，你会得到 13 次相同的迭代

fun_TM <- function(x) {
   ((i*exp(-0.5*((i-mu)/sqrt(sigma2))^2))/((1-2*alpha)*(sqrt(2*pi*sigma2))))
}

fun_VTM <- function(x) {
   ((((i-MT)^2)*exp(-0.5*((i-mu)/sqrt(sigma2))^2))/(sqrt(2*pi*sigma2)))
}

现在我们运行alphaand的嵌套循环i。我们构建一行以添加到我们的空数据框ProDist_df，然后最后一步就是rbind它newrow。请注意帮助文件中的说明，integrate我们需要Vectorize.

for (alpha in c(0.001,0.01,0.025,0.05,0.1,0.25,0.375)) {
   for (i in 1:13) {
      a <- qnorm(alpha, mean = mu, sd = sqrt(sigma2))
      b <- qnorm(1 - alpha, mean = mu, sd = sqrt(sigma2))
      MT1 <- integrate(Vectorize(fun_TM), a, b)
      MT <- MT1$value
      fVTM <- integrate(Vectorize(fun_VTM), a, b)
      fV <- fVTM$value
      VT <- ((fV+(alpha*(a-MT)^2)+(alpha*(b-MT)^2))/((1-2*alpha)^2))
      newrow <- data.frame(x = i, 
                           Alpha = alpha, 
                           Trimmed_Mean = MT, 
                           Variance_Of_Trimmed_Mean = VT)
      ProDist_df <- rbind(ProDist_df, newrow)
   }
}

ProDist_df
#>     x Alpha Trimmed_Mean Variance_Of_Trimmed_Mean
#> 1   1 0.001   0.02744577                0.2003378
#> 2   2 0.001   0.21710028                0.5148306
#> 3   3 0.001   1.00307392                1.4849135
#> 4   4 0.001   3.20833233                0.6092747
#> 5   5 0.001   7.49244239                9.4048587
#> 6   6 0.001  13.08172721              109.7134117
#> 7   7 0.001  17.29412878              262.6203021
#> 8   8 0.001  17.44230295              195.0733274
#> 9   9 0.001  13.48639629               30.3828344
#> 10 10 0.001   8.02083083                3.2269398
#> 11 11 0.001   3.67793771               18.0605860
#> 12 12 0.001   1.30260169               12.5886402
#> 13 13 0.001   0.35679506                4.5613376
#> 14  1 0.010   0.02104086                1.4856627
#> 15  2 0.010   0.16643643                1.7087503
#> 16  3 0.010   0.76899043                2.5612272
#> 17  4 0.010   2.45961619                2.3689151
#> 18  5 0.010   5.74396001                1.1324626
#> 19  6 0.010  10.02889499               28.3270524
#> 20  7 0.010  13.25826466               76.9619814
#> 21  8 0.010  13.37185999               50.5144290
#> 22  9 0.010  10.33912801                2.7851234
#> 23 10 0.010   6.14904048                9.7709433
#> 24 11 0.010   2.81963158               18.3179999
#> 25 12 0.010   0.99861856               11.4783190
#> 26 13 0.010   0.27353117                4.8704116
#> 27  1 0.025   0.01828687                3.5703608
#> 28  2 0.025   0.14465195                3.7170106
#> 29  3 0.025   0.66833905                4.3472611
#> 30  4 0.025   2.13768272                4.1121498
#> 31  5 0.025   4.99214637                1.0747081
#> 32  6 0.025   8.71623613               12.2965566
#> 33  7 0.025  11.52292107               37.4315915
#> 34  8 0.025  11.62164818               22.0916831
#> 35  9 0.025   8.98586347                1.0699878
#> 36 10 0.025   5.34420680               13.1972079
#> 37 11 0.025   2.45057652               19.1385400
#> 38 12 0.025   0.86791169               12.3691446
#> 39 13 0.025   0.23772931                6.5199633
#> 40  1 0.050   0.01619943                7.3749079
#> 41  2 0.050   0.12813995                7.4154400
#> 42  3 0.050   0.59204825                7.6768541
#> 43  4 0.050   1.89366655                6.8889173
#> 44  5 0.050   4.42229360                2.4843697
#> 45  6 0.050   7.72127906                5.6367092
#> 46  7 0.050  10.20758133               19.2763445
#> 47  8 0.050  10.29503875               10.2078727
#> 48  9 0.050   7.96012848                2.5125393
#> 49 10 0.050   4.73416638               16.5558668
#> 50 11 0.050   2.17084357               21.3087060
#> 51 12 0.050   0.76883970               15.1092609
#> 52 13 0.050   0.21059254                9.9710784
#> 53  1 0.100   0.01419911               17.3206584
#> 54  2 0.100   0.11231710               17.1281634
#> 55  3 0.100   0.51894156               16.5102647
#> 56  4 0.100   1.65983477               13.8052303
#> 57  5 0.100   3.87622451                6.3261279
#> 58  6 0.100   6.76784806                2.9011142
#> 59  7 0.100   8.94713932                9.2952208
#> 60  8 0.100   9.02379741                4.8107658
#> 61  9 0.100   6.97720412                6.0182204
#> 62 10 0.100   4.14958694               22.3456468
#> 63 11 0.100   1.90278571               28.0669010
#> 64 12 0.100   0.67390263               23.5641219
#> 65 13 0.100   0.18458837               19.4835253
#> 66  1 0.250   0.01195695              101.3283283
#> 67  2 0.250   0.09458127               99.3524957
#> 68  3 0.250   0.43699624               91.6992768
#> 69  4 0.250   1.39773265               71.1428700
#> 70  5 0.250   3.26413547               35.4870897
#> 71  6 0.250   5.69914690                7.1958771
#> 72  7 0.250   7.53430941                4.8250199
#> 73  8 0.250   7.59886254                4.6624497
#> 74  9 0.250   5.87544385               18.9156520
#> 75 10 0.250   3.49433163               57.7975362
#> 76 11 0.250   1.60231955               87.6386891
#> 77 12 0.250   0.56748763               98.7559156
#> 78 13 0.250   0.15544029              101.2808652
#> 79  1 0.375   0.01129729              591.0212507
#> 80  2 0.375   0.08936330              578.6087319
#> 81  3 0.375   0.41288753              529.2387893
#> 82  4 0.375   1.32062094              401.4184815
#> 83  5 0.375   3.08405591              197.9457725
#> 84  6 0.375   5.38472985               37.5416149
#> 85  7 0.375   7.11864801                5.0996822
#> 86  8 0.375   7.17963979                7.6766516
#> 87  9 0.375   5.55130064               59.4024907
#> 88 10 0.375   3.30155234              228.2708772
#> 89 11 0.375   1.51392096              415.5768786
#> 90 12 0.375   0.53617983              529.7332481
#> 91 13 0.375   0.14686478              575.9244272
于 2020-09-30T02:30:41.237 回答