r - 高斯和 Gamma 分布的混合

我正在寻找R中的一些脚本/程序包(Python也会这样做)，以便从高斯和 Gamma 分布的混合中找出组件分布参数。到目前为止，我已经习惯了
R包“mixtools”将数据建模为高斯混合模型，但我认为用Gamma加高斯模型可以更好地对其建模。

谢谢

最佳答案

这是一种可能性:

定义实用程序功能:

rnormgammamix <- function(n,shape,rate,mean,sd,prob) {
    ifelse(runif(n)<prob,
           rgamma(n,shape,rate),
           rnorm(n,mean,sd))
}

(这可以使效率更高一点……)

dnormgammamix <- function(x,shape,rate,mean,sd,prob,log=FALSE) {
    r <- prob*dgamma(x,shape,rate)+(1-prob)*dnorm(x,mean,sd)
    if (log) log(r) else r
}

生成伪造数据:

set.seed(101)
r <- rnormgammamix(1000,1.5,2,3,2,0.5)
d <- data.frame(r)

方法1:bbmle包。拟合形状，速率，对数刻度的标准偏差，对数刻度的概率。

library("bbmle")
m1 <- mle2(r~dnormgammamix(exp(logshape),exp(lograte),mean,exp(logsd),
                     plogis(logitprob)),
     data=d,
     start=list(logshape=0,lograte=0,mean=0,logsd=0,logitprob=0))
cc <- coef(m1)

png("normgam.png")
par(bty="l",las=1)
hist(r,breaks=100,col="gray",freq=FALSE)
rvec <- seq(-2,8,length=101)
pred <- with(as.list(cc),
             dnormgammamix(rvec,exp(logshape),exp(lograte),mean,
                           exp(logsd),plogis(logitprob)))
lines(rvec,pred,col=2,lwd=2)
true <- dnormgammamix(rvec,1.5,2,3,2,0.5)
lines(rvec,true,col=4,lwd=2)
dev.off()

tcc <- with(as.list(cc),
            c(shape=exp(logshape),
              rate=exp(lograte),
              mean=mean,
              sd=exp(logsd),
              prob=plogis(logitprob)))
cbind(tcc,c(1.5,2,3,2,0.5))

拟合是合理的，但参数相差很远-我认为在此参数范围内无法很好地识别此模型(即可以交换Gamma和高斯分量)

library("MASS")
ff <- fitdistr(r,dnormgammamix,
     start=list(shape=1,rate=1,mean=0,sd=1,prob=0.5))

cbind(tcc,ff$estimate,c(1.5,2,3,2,0.5))

fitdistr与mle2获得相同的结果，这表明我们
在最小的地方。如果我们从真实的参数开始，我们将得到
达到合理且接近真实参数的水平。

ff2 <- fitdistr(r,dnormgammamix,
     start=list(shape=1.5,rate=2,mean=3,sd=2,prob=0.5))
-logLik(ff2)  ## 1725.994
-logLik(ff)   ## 1755.458

关于r - 高斯和 Gamma 分布的混合，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/15823320/