「バレなきゃイカサマじゃあねえんだぜ……」 (空条承太郎, 1989)
glm.nb(MASS)
あたりで始末できるんでは,
と楽観していたんだが
……
Poisson 乱数の和が Poisson 乱数になる,
という再生性なる性質を悪用するためには,
年ごとに特定される
パラメーターの和が必要になっちまうよな.
積なんかではないぞ.
マズいねえ.
optim()
など力わざでごりごりと推定計算
(尤度最大化)
するところは避けられない
……
まあ,
いいか.
この直径成長モデリングの難所たる
「観測してない個体差」&「測定誤差」
どもを一撃で同時にツブせた
(あるいはじゅーたんの下に隠しこめた)
わけだし.
定式化に関してはとうとう決着ついた,
とゆーことで.
data.frame()
で成長データぽんと渡して,
みたいにはいかないような気がするのですよ.
私は.
格納するデータ構造を定義すべきか.
それとも data.frame()
でなんとかすべきなのか.
lp.common <- function(...) (1, month, (weather terms ...)) * p.common
lp.size <- function(tree, ...) (tree$dbh.log, tree$dbh.log.sq, (d-w cross terms ...)) * p.size
Σyears exp(線形予測子)
mu <- function(...) sum( sapply( years, function(y) exp(sum(lp.common$y) + sum(lp.size$y)) ) )
log.likelihood <- sum( sapply( trees, function(t) log(dnbinom(t$growth, size = theta, mu = mu(t, ...))) ) )
optim()
とのやりとりだな.
c(1:4)[c(0, 1, 0, 1) %in% 1]
とすると 2 4
と答える.
このへんの性質を使って mapping,
とかせんといかんのでしょうなぁ.