问题标签 [poisson]

我有大量数据并goodfit从vcd包中申请，如下所示：

很明显，我的数据不遵循泊松分布。我只想知道为什么我得到这个输出（Inf，0 p-value & NaN）。我在这里写这个而不是交叉验证，因为我认为它更多的是计算问题而不是统计问题。

我的数据中也没有 0，所以这不是问题。我认为这是因为计数非常高。

我有一个非常奇怪但非常重要的问题。因此，如果您有一些空闲时间 - 请阅读接下来的句子。

我的任务是：为路上的进出汽车生成价值（时间）。而且，从现实世界来看，我有一些变量：道路长度（2000 米），av.l。汽车的距离（6 米）、实验时间（12 小时）以及进出交通的强度（1 小时内的汽车数量）。
我需要将所有这些变量转换为机器，知道循环时间等于 10 个单位。循环中的步骤为 1。

所以我必须将所有强度乘以 1.2？或不？我也不知道如何将道路的长度输入到程序中。我是否应该输入 2000... 请帮助我，如果可以的话。

这是生成随机数的功能

主池：

我想知道我必须在道路长度和物体长度中输入哪些变量。

我正在使用 R 中的 latentnet 包在我的网络数据上运行 ergmm 函数。有关包装的详细信息，请参见此处。

通常，该函数使用伯努利族，它运行得非常好。但是，当我输入网络的加权变体并尝试使用泊松族时（有关变体，请参见family.ergmm），它给了我以下错误：

我通过以下方式调用该函数：

我假设familyID输入错误，或者家庭不存在？我知道family.ergmm包中有一个错字（它说Possion而不是Poisson），但是在我的代码中改变它并没有任何区别。编辑：我注意到它可能与泊松输入错误没有任何关系，而是别的东西（x 超出范围？）。

谷歌或其他任何东西都无法得到我正在寻找的答案，而且 R 的错误也没有真正的帮助。

这里有没有人知道错误是什么？

我正在估计泊松回归，并想估计我的系数的经济意义（边际效应）。

我向我建议了三种方法：

1. 边距，dydx(_all)
2. 边距，dydx(_all) atmeans
3. 泊松, irr

我想知道哪种方法最好使用。

我给出了 P(x1...n) 个离散的独立概率值，它们代表例如发生 X 的可能性。

我想要一个通用代码来解决这个问题：X 以何种概率同时发生 0-n 次？

例如：给定：每辆车（A,B,C）停放的 3 个概率 P(A),P(B),P(C)。问题是：没有车、一车、两车和三车停放的概率是多少？

例如，两辆车同时停放的答案是：

我已经为所有可能性编写了代码，但是我得到的值越多，由于更多可能的组合，它当然会变得越慢。

有人知道加快此功能的方法吗？或者也许 Matlab 有一个实现的功能？

我找到了计算的名称：泊松二项分布

我想从点云生成视觉上吸引人的表面重建。

我正在使用点云库。我尝试使用泊松重建方法创建网格，但后来发现它提供了防水重建。

例如：就我而言，我有一个房间的点云

使用http://justpaste.it/code1上的代码，我能够得到这样的重建

_{（来源：pcl-users.org）}

上图的表面覆盖了顶视图。这是使用 MeshLab 可视化的。然后稍后在 MeshLab GUI 上，当我按下点时，它看起来像这样。 _{（来源：pcl-users.org）}

但在第二张图片中，它的表面也有一些点（在附图中看不清楚）。

你能帮助创建一个顶部没有点而只有内部结构的模型吗？

有什么提高重建质量的建议吗？

房间的点云和生成的层文件可以从https://dl.dropboxusercontent.com/u/95042389/temp_pcd_ply_files.tar.bz2下载

想象一下，我有一组x的测量值，这些测量值由许多进程x ₀ ... x _N在时间t ₀ ... t _N进行。假设在时间t我想估计x的当前值，基于我不知道长期趋势的假设，并且x可以通过指数平滑等算法预测。由于我们有很多进程，并且N可以变得非常大，所以我不能存储多个值（例如之前的状态）。

这里的一种方法是采用正态指数平滑算法。如果定期采集样本，我将维持一个估计量y _n使得：

y _n = α。y _n-1 + ( 1 - α )。xn _{_}

这种方法在采样不规则的情况下效果不佳，因为许多样本一起会产生不成比例的影响。因此，该公式可适用于：

y _n = α _n。y _n-1 + ( 1 - α _n )。xn _{_}

在哪里

α _n = e ^{-k.(t _n - t _n-1 )}

IE 根据前两个样本之间的间隔动态调整平滑常数。我对这种方法很满意，而且它似乎有效。这是这里给出的第一个答案，埃克纳在 2012 年的这篇论文 ( PDF ) 中对这些技术进行了很好的总结。

现在，我的问题如下。我想调整以上内容来估计发生率。偶尔会发生一个事件。使用类似的指数技术，我想估计事件发生的速率。

两个明显的策略是：

• 使用第一种或第二种技术，将最后两个事件之间的延迟用作数据系列x _n。
• 使用第一种或第二种技术，使用最后两个事件之间的延迟的倒数（即速率）作为数据序列x _n。

据我所知，这些都不是好的策略。首先，假设每 500 毫秒发生一次事件（一方面），另一方面以 200 毫秒延迟和 800 毫秒延迟发生的事件。显然，这两者每秒发生两次，因此给出的速率估计应该是相同的。忽略最后一个样本的时间似乎很鲁莽，所以我将专注于第二种策略。使用延迟（而不是倒数）并不是一个好的预测指标，因为模拟 200 毫秒/800 毫秒的样本流会产生大约 1.5 的估计值（基于倒数的平均值不是平均值的倒数）。

但是，更重要的是，这两种策略都无法应对实践中实际发生的情况，即所有事件突然停止很长一段时间。因此， y的“最新”值是最后一个事件的值，因此永远不会计算速率的估计值。因此，速率似乎是恒定的。当然，如果我回顾性地分析数据，这不会是一个问题，但我正在实时分析它。

我意识到另一种方法是定期运行一些线程（例如每 10 秒）并计算这 10 秒间隔内出现的次数。由于不经常需要统计信息，因此这对我来说非常耗费资源，而且由于互斥锁问题，我不愿意运行一个轮询所有内容的线程。因此，我想（以某种方式）使用一种算法来调整读取的状态（例如）自上次采样以来的时间。这似乎是一种合理的方法，就好像在独立于样本选择的时间测量性能一样，测量时间平均为样本之间周期的一半，因此对速率的非常粗略的未平滑估计将是倒数的一半自上次采样以来的时间。更复杂的是，我的测量时间不会独立于样本。

我有一种感觉，这有一个简单的答案，但它让我望而却步。我有一种感觉，正确的方法是假设事件是泊松分布的，并根据自上一个样本以来的间隔和某种形式的移动平均值推导出λ的估计值，但是我的统计数据太生疏了，无法完成这项工作。

这里有一个近乎欺骗的问题，但答案似乎不太令人满意（我希望我解释了原因）。我要补充一点，考虑到我有一个要估计的变量并且对此一无所知，卡尔曼滤波器似乎是重量级的。还有许多其他的近乎欺骗，其中大多数要么建议保留大量值（从内存的角度来看这是不现实的），要么不解决上述两个问题。

我使用平均值为 500 的 poisson_distribution，问题是在 1200 次迭代后分布在 423-571 之间，我如何更改最大限制，例如结果从 1 到 4.000.000 但平均值为500？

这是我的代码：

我做了泊松回归，然后将模型可视化：

现在我想将这些模拟泊松分布添加到图中：

情节应该是这样的（红点被photoshop过）：

我正在调试一组更大的嵌套模型，这些模型只会在优化过程中遇到问题。在归零我认为导致错误的过程中，我在rpois()函数中遇到了异常行为。

似乎对于非常大的平均值，rpois()返回NA而不是值。此问题不会生成警告。请参阅下面的一组可重现的代码。

我的问题有两个方面：
1 - 为什么它会显示这种行为（rpois 函数的整数大小是否有最大限制？）和
2 - 是否有解决方法来防止 NA 的生成（即使那是将平均输入的大小限制为较小的值）？

我在 64x Windows 7 中运行 32x R 版本 3.0.2。