library(lattice)
の xyplot(y ~ x | group, ...)
してみる.
... Whenever you perform some (traditional) multivariate analysis, you are forced to analyse data subjectively rather than objectively. ...とはいえ, もうしばらく R とかで計算したり作図をつづけてみるといろいろ勉強になって 論文の解読なんかも改善されますよ, とニセ教育者的 interface でもって 当方の時間かせぎの意図をごまかしてみた次第.
glm(..., family = poisson)
だの
glm.nb(...)
であつかう問題についての解説.
library(lattice)
な作図にはまってみたり.
xyplot(R2 ~ R1 | spc, ...)
なんだけど,
panel
関数は自分定義でこうしてみた:
panel.func <- function(x, y, subscripts, ...) { panel.levelplot( r12xyz$x, r12xyz$y, sqrt(r12xyz$z), subscripts = 1:nrow(r12xyz), at = v.at, col.regions = col.regions ) panel.abline(0, 1, col = rgb(0.8, 0.8, 0.8)) panel.xyplot( # observed x, y, type = "p", pch = 21, cex = 0.6, col = "#000000" ) }で,
r12xyz
なるところに「雲」 (panel.levelplot()
)
のデータあるんだけど,
こいつは「二次元ヒストグラム関数」
なるものによって自作関数に生成されて,
と
……
ああ,
熱帯林は面倒ばかり.
熱帯.
log.err[k] ~ dexp(100) tau[k] <- 1 / (log.err[k] * log.err[k])てなふうにしたら, Gibbs sampler は絶望的に時間のかかる値探索を始めてしまった.
sample()
(R の関数)
してやると「もとのサイズ分布」が得られる,
というコンビネイションわざ.
樹木のサイズ分布には指数分布みたいなの使うのがよいらしい
……
ということでそれほどヘンではない憶測値がでている,
と確認できた.