Enkele vaardigheden in R

Enkele vaardigheden in R
Dit document is een aanvulling op de Handleiding R die te vinden is op de website bij
het vak Biostatistiek 2. De Handleiding is een algemene introductie, in dit document
worden enkele specifieke vaardigheden toegelicht die je bij dit vak regelmatig zult moeten
gebruiken.
1
Random getallen genereren
(Zie ook de paragraaf “Kansverdelingen en Toevalsgetallen” uit de Handleiding R.)
Regelmatig zul je random getallen moeten genereren uit een gegeven verdeling. Voor
standaardverdelingen zijn hiervoor functies ingebouwd in R. Deze hebben allemaal dezelfde
structuur: de naam van de functie is rDIST, waarbij DIST vervangen moet worden door
de naam van de verdeling. Voorbeelden zijn gegeven in de volgende tabel:
binom binomiaal
pois
poisson
geom
geometrisch
unif
uniform
exp
exponentieel
norm
normaal
Deze functies hebben allemaal als eerste argument n, het aantal random getallen dat
uit de betreffende verdeling getrokken moet worden. De output is een vector ter lengte n.
Je moet bij al deze functies ook nog een of meerdere andere argumenten opgeven, namelijk
de parameters die de verdeling vastleggen. Kijk voor details in de help van de betreffende
functie (type op de command line bijvoorbeeld help(rbinom)).
Voorbeeld: de volgende twee commando’s zijn equivalent:
1
2
randvec = rnorm(1000,3,2)
randvec = rnorm(n=1000,mean=3,sd=2)
en hebben allebei als resultaat, dat de variabele randvec een vector is ter lengte 1000,
waarin elk element een (onafhankelijke) trekking is uit de normale verdeling, met verwachting 3 en standaardafwijking 2 (dus let op: het derde argument is de standaardafwijking,
niet de variantie!).
Opmerking: Als je K random getallen wilt genereren uit de binomiale verdeling met
parameters n en p, gebruik je de aanroep rbinom(n=K, size=n, prob=p). Het eerste
argument n van de functie rbinom is dus niet de parameter van de binomiale verdeling!
2
Histogram maken
Het histogram van een rijtje getallen (een vector) geeft inzicht in de verdeling van die getallen. Als de getallen trekkingen zijn uit eenzelfde kansverdeling, dan geeft het histogram
een beeld van de bijbehorende kansdichtheidsfunctie. (Voor een onderbouwing van deze
bewering, zie het dictaat dat hoort bij dit vak.)
1
Het histogram van een vector x kun je tekenen met de functie hist. Deze functie
heeft, zoals blijkt uit help(hist), vele argumenten. De argumenten in tabel 1 zijn echter
de belangrijkste.
Tabel 1: Argumenten voor een histogram
x
breaks
probability
De vector waarvan je het histogram wilt zien (verplicht)
Geeft aan waar de grenzen tussen de verschillende bins (histogramcategorieën) moeten komen. Kan een getal zijn: breaks=20 geeft aan
dat R moet proberen om 20 bins te maken van gelijke breedte. Kan ook
een vector zijn, dit zijn dan de grenzen van de bins. Als je breaks als een
vector specificeert, moeten alle gegevens binnen de aldus gedefinieerde
bins vallen. De aanroep hist(c(0,1,2,3,4),breaks=c(1,2,3)) zal
bijvoorbeeld een foutmelding geven.
Een true/false waarde, waarmee je kunt aangeven of de verticale as
geschaald moet worden zodat de totale oppervlakte van de balkjes in
het histogram gelijk is aan 1. Standaard gebruikt hist de instelling
probability=FALSE, dan geeft de verticale as aan hoeveel getallen uit
de vector x er in de betreffende bin vallen. Als je een histogram maakt
van trekkingen uit een kansverdeling, is de instelling probability=TRUE
meestal zinvoller, omdat je dan de kansdichtheidsfunctie in hetzelfde
plaatje kunt tekenen en deze met het histogram kunt vergelijken.
Een handigheidje: je mag namen van argumenten afkorten als het geen dubbelzinnigheid oplevert. Zo kun je het argument probability=TRUE ook schrijven als prob=TRUE.
Voorbeeld: de volgende commando’s produceren een histogram van 500 random trekkingen uit de exponentiële verdeling met parameter λ = 4. Er zijn 50 bins en de verticale
as wordt geschaald zodat de oppervlakte 1 is.
1
2
randexp = rexp(500,rate=4)
hist(randexp, breaks=50, prob=TRUE)
In de praktijk weet je niet welke verdeling goed bij je data past. Indien je een idee hebt
uit welke kansverdeling de getallen zijn getrokken, is het vaak zinvol om de kansdichtheidsfunctie en het histogram in hetzelfde figuur weer te geven. De dichtheidsfunctie is dDIST
(met DIST weer als boven; zie de Handleiding R). Als we zouden proberen te plotten met
het commando plot, wordt het histogram weer verwijderd en wordt een nieuw assenstelsel
getekend. Om de dichtheid weer te geven in hetzelfde assenstelsel als het histogram, geven we het low level commando lines. We krijgen dan als vervolg van het bovenstaande
voorbeeld:
3
4
5
xpoints = seq(0,4,by=0.1)
ypoints = dexp(xpoints,rate=4)
lines(xpoints,ypoints)
2
3
Plots maken en beı̈nvloeden
Met de functie-aanroep plot(x,y) wordt een nieuw assenstelsel aangemaakt. De vectoren
x en y, die even lang moeten zijn, worden hierin tegen elkaar geplot als losse punten
(x[i],y[i]). Een uitgebreide uitleg over plotten is opgenomen in de Handleiding R. Let
bij het lezen van die handleiding met name op het verschil tussen het high level commando
plot en het low level commando lines.
Er zijn diverse opties die je extra mee kunt geven aan de functie plot, waarmee je de
vorm van de plot kunt aanpassen. Zie hiervoor help(plot), help(par) en de Handleiding
R. Een aantal veelgebruikte opties worden ook weergegeven in tabel 2.
Tabel 2: Opties voor grafieken
xlab="tekst"
ylab="tekst"
main="titel"
xlim=c(-2,5)
type=..
lty=..
pch=..
schrijft tekst langs de x-as
schrijft tekst langs de y-as
schrijft de titel titel boven de plot
stelt het bereik van de x-as in van −2 tot 5 (analoog voor ylim)
vertelt hoe de plot eruit moet zien: "l" verbindt de punten met lijnstukken, "p" tekent alleen punten (standaard voor plot), "b" tekent
beide [zie help(plot) voor meer mogelijkheden]
regelt hoe een geplotte lijn wordt weergegeven. Mogelijke instellingen zijn "solid", "dashed", "dotted", "dotdash", "longdash",
"twodash".
regelt de weergave van geplotte punten. Zie help(points), sectie pch
values, voor de mogelijkheden.
Deze opties kun je ook aan hist meegeven. In de help van hist kun je zien dat een
aantal opties hier een standaardwaarde krijgt.
4
Simulatie
In de statistiek gebruik je simulaties meestal om de verdeling van de een of andere grootheid te onderzoeken. In de opgavenseries zul je af en toe een simulatiestudie moeten
uitvoeren. Hier wordt aan de hand van een voorbeeld uitgelegd hoe je dat kunt aanpakken.
Als voorbeeld zullen we de verdeling onderzoeken van de stochast Y , die gedefinieerd
is als
Y :=
n
X
Xi ,
i=1
de som van n onafhankelijke stochastische grootheden Xi (i = 1, . . . , n), waarbij de Xi ’s
alternatief verdeeld zijn met parameter p: er geldt P(Xi = 1) = p en P(Xi = 0) = 1 − p.
Uit de kansrekening is bekend dat Y zelf binomiaal verdeeld is met parameters n en p (ga
dit na), maar we zullen dit voor nu even vergeten en de verdeling van Y door simulatie
onderzoeken.
We geven hier eerst de code van een geschikt simulatieprogramma voor dit probleem,
en daarna lichten we de code regel voor regel toe. Hierbij wordt steeds aangegeven in
3
hoeverre de aanpak algemeen toepasbaar is. Na de bespreking wordt dan nog eens het
algemene schema van een simulatieprogramma gegeven.
Het doel van het simulatieprogramma is om verschillende realisaties van Y te genereren
en op basis daarvan de verdeling te onderzoeken. Een geschikt programma voor het boven
geschetste probleem is als volgt:
1
2
3
4
5
6
7
8
9
10
11
12
13
n = 25 #aantal Xi die we optellen
p = 0.3 #succeskans
M = 1000 #aantal random iteraties
resultaat = rep(0,M)
for( i in 1:M ) {
x = rbinom(n,1,p)
y = sum(x)
resultaat[i] = y
}
hist(resultaat,prob=TRUE,breaks=seq(-0.5,n+0.5,by=1))
xpunten = 0:n
ypunten = dbinom(xpunten,n,p)
lines(xpunten,ypunten,lty="dashed")
In de regels 1 en 2 van dit programma worden de parameters van het probleem in
variabelen opgeslagen. Het is verplicht om getalwaarden toe te kennen aan de parameters,
maar welke waarde dat is, kun je zelf kiezen. Hier zijn de waarden n = 25 en p = 0.3
gekozen. Het is handig om de waarden op te slaan in variabelen, zodat je later de waarde
van de parameters gemakkelijk kunt veranderen.
De kern van het programma bevindt zich in de regels 6 t/m 8. In regel 6 wordt de
variabele x gevuld met een vector ter lengte n; het i’de element van deze vector bevat
een realisatie van Xi . In deze toepassing worden de realisaties van de n alternatief(p)
verdeelde stochasten gegenereerd door gebruik te maken van de functie rbinom: er worden
n trekkingen gegenereerd uit de binomiale verdeling met parameters 1 en p, wat precies
de alt(p)-verdeling is. (n is dus niet een parameter van deze binomiale verdeling.)
P
In regel 7 wordt de realisatie van Y = ni=1 Xi berekend uit de realisaties van de
Xi ’s die zijn opgeslagen in de vector x. In regel 8 wordt deze opgeslagen in de vector
resultaat, hierop komen we verderop terug.
Het doel van de simulatie is om zeer veel realisaties van Y te genereren. In de regels 6
t/m 8 wordt steeds één realisatie gegenereerd, dus worden deze regels met de for lus M
keer herhaald. In elke iteratie wordt de realisatie y opgeslagen in de i’de positie van de
vector resultaat. Door deze aanpak is aan het einde elke realisatie beschikbaar.
De variabele resultaat moet van te voren wel gedefinieerd worden, anders zal regel
8 een foutmelding geven. Dit gebeurt op regel 4. Op deze regel wordt tevens genoeg
geheugenruimte gereserveerd voor alle waarden die we in de for lus gaan opslaan in
resultaat (de aanroep rep(0,M) geeft een vector met M nullen). Zouden we niet van
te voren deze geheugenruimte reserveren, dan zou R in elke iteratie van de for lus de
vector resultaat één element langer maken en daarvoor opnieuw geheugenruimte moeten
vrijmaken, wat relatief veel tijd kost – het programma wordt daardoor trager, wat vooral
bij grote M te merken is.
4
Na de for lus bevat de vector resultaat M realisaties van de stochast Y . De verdeling
van Y kan dan gevisualiseerd worden met behulp van een histogram. Hieroverheen kan
dan ook de theoretisch bekende kansdichtheid van Y worden weergegeven. Dit gebeurt in
de regels 10 t/m 13. (Merk op dat in regel 10 de breaks zo zijn gekozen dat er een aparte
staaf in het histogram komt voor elke (integer)waarde die Y kan krijgen.)
De vraag hoe de waarde van M te kiezen blijft over. Hoe groter M wordt gekozen,
hoe beter het beeld is dat van de verdeling van Y verkregen wordt. Dus in beginsel moet
M zo groot mogelijk worden genomen. De beperkende factor is de tijd die de computer
nodig heeft om de simulatie-iteraties uit te voeren. Daarom moet M niet te groot worden
gekozen. Het is dus de kunst om een goede waarde van M te kiezen; uiteraard hangt dit af
van de toepassing. Begin bijvoorbeeld met M = 100 om je programma te testen. Daarna
neem je M steeds groter, totdat je merkt dat het resultaat niet meer veel verandert.
Samenvattend zul je dus in een simulatiestudie veelal de volgende structuur aanhouden:
1
2
3
4
5
6
7
8
9
10
11
#definitie variabelen
M = 1000 #aantal simulatie-iteraties
resultaat = rep(0,M)
for( i in 1:M ) {
# - genereer met een geschikte rDIST een realisatie van een
# stochastische variabele
# - bereken de grootheid waarvan je de verdeling wilt onderzoeken,
# op basis van die realisatie
resultaat[i] = grootheid_die_je_berekend_hebt
}
hist(resultaat,prob=TRUE)
5
5.1
Fitten
Lineaire regressie
Met de functie lm kun je regressie toepassen voor een Lineair Model. Veronderstel dat
we een n-tal waarnemingen (xi , yi ) hebben, waarvan de coördinaten zijn opgeslagen in
vectoren x en y (de waarnemingen zijn dus (x[i], y[i])). Met lm kun je een kleinstekwadraten aanpassing aan de data laten uitvoeren, voor een model
Yi = f (xi , θ) + ei ,
waarbij de stochastische storingstermen ei onafhankelijk zijn, verwachting 0 hebben en gelijke (maar onbekende) variantie σ 2 . De functie f (xi , θ) moet lineair zijn in de parameters
θ. Deze functie wordt in de aanroep van de R-functie lm gespecificeerd in het argument
formula. De volgende voorbeelden dienen om het gebruik van formula toe te lichten.
model
Yi = α + βxi + ei
Yi = α + β1 xi + β2 x2i + ei
Yi = βxi + ei
Yi = β1 cos(xi ) + β2 exp(wi ) + ei
5
formula
y ~ x
y ~ x + x^2
y ~ -1 + x
y ~ -1 + cos(x) + exp(w)
Een aantal verdere opmerkingen:
• De symbolen in formula kunnen ofwel wiskundige functies zijn, ofwel namen van
variabelen. De vectoren x en y, en in het laatste voorbeeld ook w, moeten dus van
te voren zijn gedefinieerd.
• Standaard neemt R een intercept (constante term) op in het model. Als je dit niet
wilt, voeg je -1 toe aan de instelling van formula (lees dit als ‘niet de intercept’).
• Voor de meeste resultaten die de functie lm uitvoert, zijn geen verdere aannames
nodig over de precieze verdeling van de meetfouten ei . Waar wel extra aannames
nodig zijn, neemt R aan dat de verdeling normaal is.
• Het model moet lineair zijn in de regressieparameters. Om een model te fitten dat
niet lineair is in de parameters, moet je ofwel een transformatie uitvoeren om zo een
lineair model te verkrijgen, ofwel de functie nls gebruiken om niet-lineaire regressie
uit te voeren.
Als je de functie lm aanroept vanaf de command line, wordt een deel van de output
naar het scherm geschreven. Je kunt de output ook opvangen in een variabele, bijvoorbeeld
door de aanroep z=lm(y~x). Dan bevat z een lijst met allerlei resultaten van de regressie,
die zijn geplaatst in de elementen van de lijst. Het element genaamd helementi van de
lijst z kan worden opgeroepen met z$helementi. Nog meer informatie kun je krijgen met
de aanroep sz=summary(z). De variabele sz bevat dan ook weer een lijst.
Enkele elementen uit de lijsten z (de uitvoer van lm) en sz (de uitvoer van summary(z)),
die je vaak zult gebruiken, zijn opgenomen in de volgende tabel.
z$coefficients
De kleinste-kwadratenschatters θ̂ voor de regressieparameters θ
z$residuals
De ongeschaalde residuen yi − f (xi , θ̂)
sz$coefficients Een matrix met daarin voor elke regressieparameter: de kleinstekwadratenschatting, de standaardfout, de waarde van de toetsingsgrootheid van de t-toets voor de nulhypothese dat de parameter
gelijk is aan 0, en de bijbehorende tweezijdige overschrijdingskans
√
sz$residuals
De geschaalde residuen wi (yi −f (xi , θ̂)), waarbij wi het opgegeven
gewicht is van het i-de meetpunt (zie onder; als je geen gewichten
hebt opgegeven is wi = 1)
1 Pn
sz$sigma
Schatting voor de standaardafwijking σ̂: σ̂ 2 = n−p
i=1 wi (yi −
f (xi , θ̂))2 (p is het aantal regressieparameters).
sz$corr
De correlatiematrix van de kleinste-kwadratenschatters voor
de regressieparameters, alleen beschikbaar als je de aanroep
sz=summary(z,corr=T) doet.
Je mag de namen van de elementen afkorten, bijvoorbeeld tot z$coef. De helptekst
over lm (type help(lm)) beschrijft welke zaken de variabele z nog meer zal bevatten;
help(summary.lm) beschrijft het object sz. (Een handigheidje: als je op de command
line typt z$ en daarna één- of tweemaal op de tab-toets drukt, worden alle mogelijke
aanvullingen van dit commando weergegeven. Dit aanvullen van een commando met de
tab-toets werkt ook voor alle andere R-commando’s.)
6
Uitbreidingen en variaties
Wanneer bekend is dat de varianties van de verschillende meetfouten niet allemaal hetzelfde zijn, kan een gewogen regressie worden uitgevoerd. Beschouw opnieuw het model
Yi = f (xi , θ) + ei , met f weer een lineaire functie van de parameters θ, en de ei onafhankelijk verdeeld met verwachting 0 en ongelijke varianties σi2 . De σi voldoen aan σi = si σ,
met bekende si en onbekende σ. (De verhouding tussen de σi is dus bekend.) De kleinste
kwadratenmethode wordt dan bijgesteld: er wordt een gewicht wi = 1/s2i aan het i’de
meetpunt toegekend. De grootheid
n
X
2
wi (Yi − f (xi , θ))
=
i=1
n X
Yi − f (xi , θ) 2
i=1
si
wordt geminimaliseerd naar θ. In R kan dit worden gedaan door het argument weights van
de functie lm te specificeren. Heb je bijvoorbeeld vier metingen met bekende si die zijn opgeslagen in een vector svector, dan geef je een commando als lm( y~x, weights=c(1/svector^2) ).
In het standaard regressiemodel wordt aangenomen dat de meetfouten alle dezelfde
variantie σ 2 hebben, die een onbekende waarde heeft. (In de zojuist beschreven gewogen
regressie is de waarde van σ ook onbekend.) Om de waarde van een uitdrukking waar σ
in voor komt te kunnen berekenen, wordt de waarde van σ geschat met σ̂. In de situatie
dat de variantie van de meetfouten wel bekend is, bijvoorbeeld door externe meting,
is de procedure die R uitvoert dus niet correct. In deze situatie moet je de resultaten
handmatig corrigeren. Daarvoor is het nodig om te weten hoe de resultaten afhangen van
σ, en om te weten welke waarde R heeft berekend voor σ̂. Dit laatste kun je vinden in de
uitvoer van de functie summary (zie boven).
Wanneer de varianties van de meetfouten bekend zijn, kan ook een chikwadraattoets worden uitgevoerd om de ‘goodness of fit’ van de kleinste-kwadratenaanpassing
te evalueren. De waarde van de toetsingsgrootheid wordt niet standaard door R berekend. Je kunt dit echter zelf doen door de som van de kwadraten van de residuen te berekenen met sum((z$residuals)^2), als z de output van lm bevat. (Bij een
gewogen regressie sommeer je de kwadraten van de geschaalde residuen met de code
sum((summary(z)$residuals)^2).) Met behulp van de functie pchisq kan dan de overschrijdingskans van de realisatie van U worden bepaald.
5.2
Niet-lineaire regressie
Om te fitten met een modelfunctie f (x, θ) die niet-lineair is in de parameters, gebruik je de
R-functie nls (nonlinear least squares). Als argument voor deze functie moet ook weer een
formula worden opgegeven, waarmee de modelfunctie wordt gespecificeerd. Ook de parameters moeten hierin worden opgenomen. Wil men bijvoorbeeld de functie p exp(−p x)
aan de data fitten, dan gebruikt men formula=y~p*exp(-p*x). Opnieuw moeten de vectoren x en y van te voren zijn gedefinieerd.
Bij de niet-lineaire kleinste-kwadratenmethode moeten startwaarden voor de parameters worden opgegeven. Dit doet men door het argument start op te geven. In het
voorbeeldje hierboven kan het argument bijvoorbeeld worden start=list(p=0.5). Indien
meerdere parameters zijn gebruikt in de modelfunctie, bijvoorbeeld alpha en xmin, dan
worden de startwaarden bijvoorbeeld gespecificeerd als start=list(alpha=2.1,xmin=4).
7
De output van nls is niet, zoals wel bij lm, gemakkelijk te verwerken. Als je echter eerst
de functie summary toepast op de output van nls, krijg je een lijst die je wel kunt lezen.
Deze bevat bijvoorbeeld de parameter-matrix coefficients, en de vector residuals. Zie
de help voor meer mogelijkheden.
8