75

我整天都对 R 分位数函数感到困惑。

我对分位数的工作方式和统计数据有一个直观的概念,但是天哪,天哪,它的文档让我感到困惑。

从文档:

Q[i](p) = (1 - 伽马) x[j] + 伽马 x[j+1],

到目前为止,我已经同意了。对于第 i类分位数,它是 x[j] 和 x [j+1] 之间的插值,基于一些神秘的常数gamma

其中 1 <= i <= 9, (jm)/n <= p < (j-m+1)/ n, x[j] 是第 j 阶统计量,n 是样本量,m 是确定的常数按样本分位数类型。这里 gamma 取决于 g = np+mj 的小数部分。

那么,如何计算j呢?米?

对于连续样本分位数类型(4 到 9),样本分位数可以通过 k 阶统计量和 p(k) 之间的线性插值获得:

p(k) = (k - alpha) / (n - alpha - beta + 1),其中 α 和 β 是由类型决定的常数。此外,m = alpha + p(1 - alpha - beta),并且 gamma = g。

现在我真的迷路了。p,以前是一个常数,现在显然是一个函数。

所以对于类型 7 分位数,默认...

类型 7

p(k) = (k - 1) / (n - 1)。在这种情况下,p(k) = mode[F(x[k])]。这是 S 使用的。

有人想帮我吗?特别是我对 p 是一个函数和一个常数的符号感到困惑,这到底是什么m,现在要为某些特定的p计算 j 。

我希望根据这里的答案,我们可以提交一些修改后的文档,以更好地解释这里发生的事情。

quantile.R 源代码 或类型:quantile.default

4

3 回答 3

62

你的困惑是可以理解的。那个文档很糟糕。我不得不回到基于 (Hyndman, RJ; Fan, Y. (November 1996). "Sample Quantiles in Statistical Packages". American Statistician 50 (4): 361–365. doi:10.2307/2684934 )的论文获得理解。让我们从第一个问题开始。

其中 1 <= i <= 9, (jm)/n <= p < (j-m+1)/ n, x[j] 是第 j 阶统计量,n 是样本量,m 是确定的常数按样本分位数类型。这里 gamma 取决于 g = np+mj 的小数部分。

第一部分直接来自论文,但文档作者省略的是j = int(pn+m). 这意味着Q[i](p)仅取决于最接近p通过(排序的)观察结果的一小部分的两个顺序统计量。(对于像我这样不熟悉这个术语的人来说,一系列观察的“顺序统计”就是排序序列。)

此外,最后一句话是错误的。它应该读

这里 gamma 取决于 np+m 的小数部分,g = np+mj

至于m那是直截了当的。 m取决于选择了 9 种算法中的哪一种。所以就像Q[i]是分位数函数,m应该考虑m[i]。对于算法 1 和 2,m是 0,对于 3,m是 -1/2,对于其他算法,这是在下一部分。

对于连续样本分位数类型(4 到 9),样本分位数可以通过 k 阶统计量和 p(k) 之间的线性插值获得:

p(k) = (k - alpha) / (n - alpha - beta + 1),其中 α 和 β 是由类型决定的常数。此外,m = alpha + p(1 - alpha - beta),并且 gamma = g。

这真的很令人困惑。文档所称p(k)p与以前的不同。 p(k)绘图位置。在论文中,作者将其写为pk,这很有帮助。尤其是因为在 for 的表达式中m,thep是原始的p,而m = alpha + p * (1 - alpha - beta). 从概念上讲,对于算法 4-9,点 ( pk, x[k]) 被插值以获得解 ( p, Q[i](p))。每种算法仅在pk.

至于最后一点,R 只是说明 S 使用什么。

原始论文给出了 6 个“样本分位数的理想属性”函数的列表,并声明了对 #8 的偏好,它满足所有 1。#5 满足所有这些,但他们不喜欢其他理由(它是比从原理派生的更现象学的)。#2 是像我这样的非统计极客会考虑分位数,并且是维基百科中描述的内容。

顺便说一句,为了回应dreeves 的回答,Mathematica 的做法明显不同。我想我理解映射。虽然 Mathematica 更容易理解,但 (a) 使用无意义的参数更容易在脚上射击自己,并且 (b) 它不能执行 R 的算法 #2。(这是Mathworld 的 Quantile 页面,其中指出 Mathematica 无法做到 #2,但根据四个参数对所有其他算法进行了更简单的概括。)

于 2009-09-22T23:58:43.997 回答
6

当您给它一个向量并且没有已知的 CDF 时,有多种计算分位数的方法。

考虑一下当您的观察结果不完全落在分位数上时该怎么办的问题。

“类型”只是确定如何做到这一点。因此,这些方法说,“在 k 阶统计量和 p(k) 之间使用线性插值”。

那么,什么是 p(k)?一个人说,“好吧,我喜欢使用 k/n”。另一个人说,“我喜欢使用 (k-1)/(n-1)”等。这些方法中的每一种都有不同的属性,更适合一个或另一个问题。

\alpha 和 \beta 只是参数化函数 p 的方法。在一种情况下,它们是 1 和 1。在另一种情况下,它们是 3/8 和 -1/4。我不认为 p 在文档中是一个常数。他们只是并不总是明确地显示依赖关系。

当您放入像 1:5 和 1:6 这样的向量时,看看不同类型会发生什么。

(另请注意,即使您的观察结果恰好落在分位数上,某些类型仍将使用线性插值)。

于 2008-09-18T18:49:09.870 回答
2

我相信在@RobHyndman 的评论中提到的修订之后,R 帮助文档很清楚,但我发现它有点压倒性。我发布此答案以防它帮助某人快速了解选项及其假设。

为了掌握quantile(x, probs=probs),我想查看源代码。这也比我在 R 中预期的要棘手,所以我实际上只是从一个看起来足够近可以运行的github 存储库中获取它。我对默认(类型 7)行为感兴趣,所以我注释了一些,但没有对每个选项做同样的事情。

您可以看到“类型 7”方法是如何在代码中逐步插入的,我还添加了几行来打印一些重要的值。

quantile.default <-function(x, probs = seq(0, 1, 0.25), na.rm = FALSE, names = TRUE
         , type = 7, ...){
    if(is.factor(x)) { #worry about non-numeric data
        if(!is.ordered(x) || ! type %in% c(1L, 3L))
            stop("factors are not allowed")
        lx <- levels(x)
    } else lx <- NULL
    if (na.rm){
        x <- x[!is.na(x)]
    } else if (anyNA(x)){
        stop("missing values and NaN's not allowed if 'na.rm' is FALSE")
        }
    eps <- 100*.Machine$double.eps #this is to deal with rounding things sensibly
    if (any((p.ok <- !is.na(probs)) & (probs < -eps | probs > 1+eps)))
        stop("'probs' outside [0,1]")

    #####################################
    # here is where terms really used in default type==7 situation get defined

    n <- length(x) #how many observations are in sample?

    if(na.p <- any(!p.ok)) { # set aside NA & NaN
        o.pr <- probs
        probs <- probs[p.ok]
        probs <- pmax(0, pmin(1, probs)) # allow for slight overshoot
    }

    np <- length(probs) #how many quantiles are you computing?

    if (n > 0 && np > 0) { #have positive observations and # quantiles to compute
        if(type == 7) { # be completely back-compatible

            index <- 1 + (n - 1) * probs #this gives the order statistic of the quantiles
            lo <- floor(index)  #this is the observed order statistic just below each quantile
            hi <- ceiling(index) #above
            x <- sort(x, partial = unique(c(lo, hi))) #the partial thing is to reduce time to sort, 
            #and it only guarantees that sorting is "right" at these order statistics, important for large vectors 
            #ties are not broken and tied elements just stay in their original order
            qs <- x[lo] #the values associated with the "floor" order statistics
            i <- which(index > lo) #which of the order statistics for the quantiles do not land on an order statistic for an observed value

            #this is the difference between the order statistic and the available ranks, i think
            h <- (index - lo)[i] # > 0  by construction 
            ##      qs[i] <- qs[i] + .minus(x[hi[i]], x[lo[i]]) * (index[i] - lo[i])
            ##      qs[i] <- ifelse(h == 0, qs[i], (1 - h) * qs[i] + h * x[hi[i]])
            qs[i] <- (1 - h) * qs[i] + h * x[hi[i]] # This is the interpolation step: assemble the estimated quantile by removing h*low and adding back in h*high. 
            # h is the arithmetic difference between the desired order statistic amd the available ranks
            #interpolation only occurs if the desired order statistic is not observed, e.g. .5 quantile is the actual observed median if n is odd. 
            # This means having a more extreme 99th observation doesn't matter when computing the .75 quantile


            ###################################
            # print all of these things

            cat("floor pos=", c(lo))
            cat("\nceiling pos=", c(hi))
            cat("\nfloor values= ", c(x[lo]))
            cat( "\nwhich floors not targets? ", c(i))
            cat("\ninterpolate between ", c(x[lo[i]]), ";", c(x[hi[i]]))
            cat( "\nadjustment values= ", c(h))
            cat("\nquantile estimates:")

    }else if (type <= 3){## Types 1, 2 and 3 are discontinuous sample qs.
                nppm <- if (type == 3){ n * probs - .5 # n * probs + m; m = -0.5
                } else {n * probs} # m = 0

                j <- floor(nppm)
                h <- switch(type,
                            (nppm > j),     # type 1
                            ((nppm > j) + 1)/2, # type 2
                            (nppm != j) | ((j %% 2L) == 1L)) # type 3

                } else{
                ## Types 4 through 9 are continuous sample qs.
                switch(type - 3,
                       {a <- 0; b <- 1},    # type 4
                       a <- b <- 0.5,   # type 5
                       a <- b <- 0,     # type 6
                       a <- b <- 1,     # type 7 (unused here)
                       a <- b <- 1 / 3, # type 8
                       a <- b <- 3 / 8) # type 9
                ## need to watch for rounding errors here
                fuzz <- 4 * .Machine$double.eps
                nppm <- a + probs * (n + 1 - a - b) # n*probs + m
                j <- floor(nppm + fuzz) # m = a + probs*(1 - a - b)
                h <- nppm - j

                if(any(sml <- abs(h) < fuzz)) h[sml] <- 0

            x <- sort(x, partial =
                          unique(c(1, j[j>0L & j<=n], (j+1)[j>0L & j<n], n))
            )
            x <- c(x[1L], x[1L], x, x[n], x[n])
            ## h can be zero or one (types 1 to 3), and infinities matter
            ####        qs <- (1 - h) * x[j + 2] + h * x[j + 3]
            ## also h*x might be invalid ... e.g. Dates and ordered factors
            qs <- x[j+2L]
            qs[h == 1] <- x[j+3L][h == 1]
            other <- (0 < h) & (h < 1)
            if(any(other)) qs[other] <- ((1-h)*x[j+2L] + h*x[j+3L])[other]

            } 
    } else {
        qs <- rep(NA_real_, np)}

    if(is.character(lx)){
        qs <- factor(qs, levels = seq_along(lx), labels = lx, ordered = TRUE)}
    if(names && np > 0L) {
        names(qs) <- format_perc(probs)
    }
    if(na.p) { # do this more elegantly (?!)
        o.pr[p.ok] <- qs
        names(o.pr) <- rep("", length(o.pr)) # suppress <NA> names
        names(o.pr)[p.ok] <- names(qs)
        o.pr
    } else qs
}

####################

# fake data
x<-c(1,2,2,2,3,3,3,4,4,4,4,4,5,5,5,5,5,5,5,5,5,6,6,7,99)
y<-c(1,2,2,2,3,3,3,4,4,4,4,4,5,5,5,5,5,5,5,5,5,6,6,7,9)
z<-c(1,2,2,2,3,3,3,4,4,4,4,4,5,5,5,5,5,5,5,5,5,6,6,7)

#quantiles "of interest"
probs<-c(0.5, 0.75, 0.95, 0.975)

# a tiny bit of illustrative behavior
quantile.default(x,probs=probs, names=F)
quantile.default(y,probs=probs, names=F) #only difference is .975 quantile since that is driven by highest 2 observations
quantile.default(z,probs=probs, names=F) # This shifts everything b/c now none of the quantiles fall on an observation (and of course the distribution changed...)... but 
#.75 quantile is stil 5.0 b/c the observations just above and below the order statistic for that quantile are still 5. However, it got there for a different reason.

#how does rescaling affect quantile estimates?
sqrt(quantile.default(x^2, probs=probs, names=F))
exp(quantile.default(log(x), probs=probs, names=F))
于 2019-11-07T18:15:19.127 回答