我正在尝试从“球形数据的统计分析”中重现结果。
我想计算球面中位数(公式可以看http://www.jstor.org/stable/2345577,等式1,这里不知道怎么写才对)。
我使用本书的 B1 数据集:
lat1=c(-26.4,-32.2,-73.1,-80.2,-71.1,-58.7,-40.8,-14.9,-66.1,-1.8,-52.1,-77.3,-68.8,-68.4,
-29.2,-78.5,-65.4,-49,-67,-56.7,-80.5,-77.7,-6.9,-59.4,-5.6,-62.6,-74.7,-65.3,-71.6,
-23.3,-74.3,-81,-12.7,-75.4,-85.9,-84.8,-7.4,-29.8,-85.2,-53.1,-38.3,-72.7,-60.2,-63.4,
-17.2,-81.6,-40.4,-53.6,-56.2,-75.1)
long1=c(324,163.7,51.9,140.5,267.2,32,28.1,266.3,144.3,256.2,83.2,182.1,110.4,142.2,246.3,222.6,247.7,
65.6,282.6,56.2,108.4,266,19.1,281.7,107.4,105.3,120.2,286.6,106.4,96.5,90.2,170.9,199.4,118.6,
63.7,74.9,93.8,72.8,113.2,51.5,146.8,103.1,33.2,154.8,89.9,295.6,41.0,59.1,35.6,70.7)
library('sphereplot')
B1=data.frame(long=long1,lat=lat1)
a=sph2car(B1$long,B1$lat)
x=a[,1]
y=a[,2]
z=a[,3]
我首先检查数据:
sqrt(x^2+y^2+z^2)
data1=data.frame(x,y,z)
median.direction <- function(par, data1) {
sum(acos(par[1]*data1[,1]+par[2]*data1[,2]+par[3]*data1[,3]))
}
median.direction2=optim(par=c(0,0,0), fn=median.direction, data1=data1)
result1=car2sph(median.direction2$par[1],median.direction2$par[2],median.direction2$par[3])
result1
“对于例 5.1 的数据(集合 Bl),球面中位数
方向是(纬度。78.9°,长。98.4°)。”
我不知道我的错误在哪里:
我必须在 sph2car 中使用 colatitude 吗?
optim 在警告时表现良好吗?
编辑 :
最佳答案
这里有几件事情正在发生。
首先,当数据集中的所有纬度都 < 0 时,很难看出中位纬度如何是 +79°。所以要么你的问题有错别字,要么教科书有错误。
其次,您的数据集中(或多或少)靠近其中一个极点。在这种情况下,您估计经度的能力本质上会受到损害。考虑所有数据都在纬度 -90° 的极端情况。那么中位纬度将恰好是 -90°,但我们对中位经度一无所知。所以你的优化问题是经度有一个“浅最小值”(在这个数据集中)。也就是说,有许多经度非常接近于最小化您的目标函数。这是一个问题,因为大多数优化器使用局部最小值——它们在接近初始估计的目标函数中寻找最小值。因此,您得到的答案将取决于您的起点。
第三,鉴于上述情况,您最好使用更强大的优化器 (IMO)。在下面的示例中,我使用 nloptr(...)
来自 nloptr
包裹。它使用起来有点困难,但给出的结果对初始估计不太敏感。
为了演示这个问题,下面的代码运行了 100 次最小化,每次都随机选择一个起点,并绘制数据和 100 个“最小值”。
library(sphereplot)
library(nloptr)
f <- function(par, data1) {
sum(acos(par[1]*data1[,1]+par[2]*data1[,2]+par[3]*data1[,3]))
}
opts <- list(algorithm="NLOPT_GN_ISRES",xtol_rel=1.0e-6, maxeval=10000)
# set up the plot
rgl.sphgrid()
points3d(x,y,z, col="red",size=5)
set.seed(1) # for reproducibility
# 100 initial estimates, randomly distributed on the sphere
N <- 100
xyz.init <- sph2car(long=sample(-180:180,N),lat=sample(-90:90,N))
get.median <- function(i) {
md <- nloptr(x0=xyz.init[i,],eval_f=f,
lb=c(-1,-1,-1), ub=c(1,1,1),
data1=data1, opts=opts)
xyz <- md$solution
lines3d(c(0,xyz[1]),c(0,xyz[2]),c(0,xyz[3]),col="green",lwd=2)
median <- car2sph(xyz[1],xyz[2],xyz[3])
cat(".") # cheap and dirty progress bar...
return(median)
}
sph.med <- do.call(rbind,lapply(1:nrow(xyz.init),get.median))
colMeans(sph.med)
# long lat radius
# 92.314309 -77.361522 0.998315
您可以看到优化为“中位数”创建了一个估计的信封(锥体)。所有这些估计的平均值非常接近书中的结果(纬度符号除外)。
值得注意的是,尽管使用最多 10,000 次迭代,但优化通常不会收敛!!
关于r - 在 R 中使用 optim() 重现 Fisher 关于球形数据的书的结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24174115/