Package ‘histogram’ October 16, 2016



Yüklə 61,16 Kb.
Pdf görüntüsü
tarix06.05.2018
ölçüsü61,16 Kb.
#43132


Package ‘histogram’

October 16, 2016

Type Package

Title Construction of Regular and Irregular Histograms with Different

Options for Automatic Choice of Bins

Version 0.0-24

Date 2016-10-16

Author Thoralf Mildenberger [aut, cre],

Yves Rozenholc [aut],

David Zasada [aut]

Maintainer Thoralf Mildenberger 

Description Automatic construction of regular and irregular histograms as described in Rozen-

holc/Mildenberger/Gather (2010).

License GPL (>= 2)

LazyLoad yes

ByteCompile yes

NeedsCompilation no

Repository CRAN

Date/Publication 2016-10-16 17:39:09

R topics documented:

histogram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

Index



7

histogram

histogram with automatic choice of bins

Description

Construction of regular and irregular histograms with different options for choosing the number

and widths of the bins. By default, both a regular and an irregular histogram using a data-dependent

penalty as described in detail in Rozenholc/Mildenberger/Gather (2009) are constructed. The final

estimate is the one with the larger penalized likelihood.

1



2

histogram

Usage

histogram(y, type = "combined", grid = "data",



breaks = NULL, penalty = "default",

greedy = TRUE, right=TRUE, control = list(),

verbose = TRUE, plot = TRUE)

Arguments

y

a vector of values for which the histogram is desired.



type

use "irregular" for an irregular and "regular" for a regular histogram. If

type="combined"

(default value) both a regular and an irregular histogram are

computed and the one with the larger penalized likelihood is chosen, see details

below.


grid

if type="irregular", grid chooses the set of possible partitions of the data

range. The default value "data" gives a set of partitions constructed from the

data points, "regular" uses a fine regular grid of points as possible break points.

A regular quantile grid can be chosen using "quantiles". Has no effect for

regular histograms.

breaks

controls the maximum number of bins allowed in a regular histogram, or the



size of the finest grid in an irregular histogram when grid is set to "regular"

or "quantiles". Usually not needed since the maximum bin number and the

size of the finest grid are calculated by a formula depending on the sample size

n

; the defaults for this can be changed using the parameters g1, g2 and g3 in



the control argument. Also see maxbin in the control argument which gives an

absolute upper bound bound on the number of bins if type="regular".

penalty

controls which penalty is used. See description of penalties below.



greedy

logical; if TRUE and type="irregular", a subgrid of the finest grid is con-

structed by a greedy step to make the search procedure feasible. Has no effect

for regular histograms.

right

logical; if TRUE, the histograms cells are right-closed (left open) intervals.



control

list of additional control parameters. Meaning and default values depend on

settings of type, penalty and grid. See below.

verbose


logical; if TRUE (default), some information is given during histogram construc-

tion and the resulting histogram object is printed.

plot

logical. If TRUE (default), the histogram is plotted.



Details

The histogram procedure produces a histogram, i.e. a piecewise constant density estimate from a

univariate real-valued sample stored in a vector y. Let n denote the length of y. The range of the

data is partitioned into D intervals - called bins - and the density estimate on the i-th bin is given

by N

i

/(n ∗ w



i

) where N

i

is the number of observations in the i-th bin and w



i

is its width. The

histogram thus defined is the maximum likelihood estimate among all densities that are piecewise

constant w.r.t. this partition. The arguments of histogram given above determine the way the

partition is chosen. In a regular histogram, the partition consists of D bins of the same widths, and

the histogram is determined by the choice of D. Strategies based on different criteria can be chosen




histogram

3

using the penalty option. The maximum number of bins can be controlled by either the breaks



argument or the entries g1, g2 and g3 in the control argument.

An irregular histogram allows for bins of different widths. In this case, not only the number D

of bins but also the breakpoints between the bins must be chosen. The set of allowed breakpoints

is given by the finest partition selected using the grid argument. At the moment a finest regular

grid is supported (grid="regular") as well as grids with possible breakpoints either equal to the

observations or between the observations (grid="data" and between in the control argument set

to FALSE or TRUE, respectively). Setting grid="quantiles" gives a grid based on regular sample

quantiles. If the breaks argument is NULL,

G(n) = g1 ∗ n

g2

∗ (log(n))



g3

controls the grid in the following way: the smallest allowed bin width in a "data" grid is 1/G(n)

times the sample range, while for grid="regular" and grid="quantiles" the finest grid has

floor(G(n))

bins. The parameters g1, g2 and g3 can be changed by modifying the corresponding

components in the control argument. If breaks is a positive number, its integer part is used

instead of G(n). Different strategies for selection of D and the bin boundaries can be chosen using

the penalty option.

To reduce calculation time for irregular histograms, a subset of the breakpoints of the finest grid

can be chosen by starting from a one-bin histogram and then subsequently finding the split of an

existing bin that leads to the largest increase in the loglikelihood. The full optimization is then

performed only over all partitions with endpoints from the subset thus constructed. This is achieved

by setting greedy=TRUE. To reduce calculation time for regular histograms, the maxbin parameter

in the control argument gives an upper bound for the number of bins. The default value is 1000.

Using type="combined" (the default value), both a regular and an irregular histogram are con-

structed using a penalized likelihood approach and the one with the larger penalized likelihood is

chosen. In this case, the regular histogram is always constructed using the br penalty. The penalty

parameter and all other options control the construction of the irregular histogram. penalty must

be equal to "penA", "penB" or "penR", since otherwise comparison of penalized likelihood values

would not be meaningful.

Value

an object of class "histogram" which is a list with the same components as in the



hist

command.


Penalties

Most settings of penalty lead to a penalized maximum likelihood histogram. For a sample of size n

and a partition J that divides the sample range into D bins, define N

i

as the number of observations



in the i-th bin, i = 1, ..., D and w

i

as the width of the the i-th bin, i = 1, ..., D. In this section, the



index in sums and products is always i = 1, . . . , D. For any partition J , and a fixed sample, the

penalized loglikelihood is defined as

N

i

∗ log(N



i

/(n ∗ w


i

)) − pen(J ).

The possible penalties are:

penA


Penalty given in formula (5) in in Rozenholc, Mildenberger and Gather (2009):

pen(J ) = c log

n − 1

D − 1


+α(D−1)+ck log(D)+2

cα(D − 1)(log

n − 1

D − 1


+ k log D),


4

histogram

where the default values are c = 1, α = 0.5 and k = 2. These can be changed using the c,

alpha


and k components of control.

penB


Simplified version of formula (5) in Rozenholc, Mildenberger and Gather (2009):

pen(J ) = c log

n − 1

D − 1


+ α(D − 1) + log

2.5


D,

where the default values are c = 1 and α = 1. These can be changed using the c and alpha

components of control. Default penalty for irregular and combined histograms.

penR


Data-dependent penalty as given in formula (6) in Rozenholc, Mildenberger and Gather

(2009):


pen(J ) = c log

n − 1


D − 1

+ (α/n)


N

i

/w



i

+ log


2.5

D,

where the default values are c = 1 and α = 0.5. These can be changed using the c and alpha



components of control.

aic


Akaike’s Information Criterion (AIC). Defined by pen(J ) = α ∗ D, where α is 1 by default

and may be changed using the alpha parameter in the control argument.

bic

Bayesian Information Criterion (BIC). Defined by pen(J ) = α ∗ log(n) ∗ D, where α is 0.5



by default and may be changed using the alpha parameter in the control argument.

nml


Normalized Maximum Likelihood. Formula is given in Davies, Gather, Nordman, Weinert

(2009). Only available for regular histograms.

br

Improved version of AIC for regular histograms as given in Birge and Rozenholc (2006). De-



fined as pen(J ) = D + log

2.5


(D). Default penalty for regular histograms, not available for

irregular histograms.

Some settings of penalty do not lead to maximization of a penalized likelihood but optimzation of

different measures. These are:

cv

Leave-p-out crossvalidation. Different variants can be chosen by setting the cvformula and p



components in the control argument. cvformula=1 and cvformula=2 are available both for

regular and irregular histograms. These are different versions of leave-p-out L2-crossvalidation,

where choice of a partition is achieved by minimizing

2

N



i

/w

i



− (n + 1)

N

2



i

/(n ∗ w


i

),

or



2(n − p)

N

i



/w

i

− (n − p + 1)



N

2

i



/w

i

respectively, see formulas (11) and (12) in Celisse and Robin (2008). Since formula 1 does



not depend on p, if the control parameter p is set to a value greater than 1 cvformula is set to

2

. Kullback-Leibler crossvalidation can be performed by setting cvformula=3. This is only



available if p = 1 and type="regular". The number of bins chosen is the maximizer of

N

i



log(N

i

− 1) + n log(D),



see remark 2.3 in Hall and Hannan (1988).

sc

Stochastic Complexity criterion, only available for regular histograms. Number of bins is cho-



sen by maximizing

N

i



!D

n

(D − 1)!/(D + n − 1)!,



see formula (2.3) in Hall and Hannan (1988).


histogram

5

mdl



Minimum Description Length criterion, only available for regular histograms. Number of bins

is chosen by maximizing

(N

i

− 0.5) log(N



i

− 0.5) − (n − 0.5D) log(n − 0.5D) + n log D − 0.5D log n,

see formula (2.5) in Hall and Hannan (1988).

Control


The control parameter is a list with different components that affect the construction of the his-

togram. Meaning and default values depend on setting of the other parameters.

alpha

Coefficient of the number of bins in penalties penA, penB, aic, bic. Coefficient of the



data-driven part in the penR penalty.

between


logical; if TRUE and grid="data", possible bin ends are put between the observations, if

FALSE


(default) they are placed at the observations

c

Controls the weight of the penalty component that corrects for the multiplicity of partitions with



the same number of bins in irregular histograms; only used in penalties penA, penB and penR.

cvformula

determines the type of crossvalidation to be performed. Can take the values 1, 2 and

3. 1 and 2 correspond to different versions of L2 crossvalidation, while cvformula=3 per-

forms Kullback-Leibler crossvalidation, which is at the moment only available for regular

histograms. Note that cvformula=3 automatically forces every bin to include at least 2 obser-

vations. If p is set to a value greater than 1, cvformula=2 is used automatically.

g1

The parameters g1, g2 and g3 control the maximum number of bins in a regular histogram as



well as the bin width and/or number for irregular histograms. Define

G(n) = g1 ∗ n

g2

∗ (log(n))



g3

.

The maximum number of bins allowed in a regular histogram is given by floor(G(n)), the



finest grid in an irregular histogram with grid="regular" is obtained by dividing the sample

range into floor(G(n)) equisized bins, and if grid="quantiles", the finest grid is obtained

by dividing the interval [0, 1] into equisized intervals and using the sample quantiles corre-

sponding to the boundary points. For an irregular histogram with grid="data", a mimimum

allowed bin size of 1/G(n) is enforced. This can be disabled by setting g3 to Inf, causing

1/G(n) to be zero. Default settings are g1=1 and g2=1 for all grids. Default values for g3 are

-1

for grid="regular" and grid="quantiles" and Inf for grid="data". Also see maxbin.



g2

see g1.


g3

see g1.


k

Tuning parameter that only has an effect if penalty="penA". Default value is 2.

maxbin

Gives an absolute upper bound on the number of bins in order to keep the calculations



feasible for large data sets. If the number of bins chosen via breaks or g1, g2 and g3 exceeds

maxbin


, maxbin in used as the maximum number of bins. Only has an effect for regular

histograms. Defaults to 1000.

p

Controls the number p of data points left out in the crossvalidation. Can take integer values be-



tween 1 (default) and n-1. If a value greater than 1 is chosen, cvformula is automatically set

to 2 since crossvalidation formula 1 does not depend on p and Kullback-Leibler crossvalida-

tion is only supported for p=1.

quanttype

Determines the way the quantiles are calculated if grid="quantiles". Corresponds

to the type argument in

quantile

, whose default 7 is also the default here.




6

histogram

Author(s)

Thoralf Mildenberger, Yves Rozenholc, David Zasada.

References

Birgé, L. and Rozenholc, Y. (2006). How many bins should be put in a regular histogram? ESAIM:

Probability and Statistics, 10, 24-45.

Celisse, A. and Robin, S. (2008). Nonparametric density estimation by exact leave-p-out cross-

validation. Computational Statistics and Data Analysis 52, 2350-2368.

Davies, P. L., Gather, U., Nordman, D. J., and Weinert, H. (2009): A comparison of automatic

histogram constructions. ESAIM: Probability and Statistics, 13, 181-196.

Hall, P. and Hannan, E. J. (1988). On stochastic complexity and nonparametric density estimation.

Biometrika 75, 705-714.

Rozenholc, Y, Mildenberger, T. and Gather, U. (2009). Combining regular and irregular his-

tograms by penalized likelihood. Discussion Paper 31/2009, SFB 823, TU Dortmund.

http://


www.statistik.tu-dortmund.de/fileadmin/user_upload/SFB_823/discussion_papers/2009/

31_09_rozenholc_mildenberger_gather.pdf

Rozenholc, Y., Mildenberger, T., Gather, U. (2010). Combining regular and irregular histograms by

penalized likelihood. Computational Statistics and Data Analysis 54, 3313-3323.

See Also

hist


Examples

## draw a histogram from a standard normal sample

y<-rnorm(100)

histogram(y)

## draw a histogram from a standard exponential sample

y<-rexp(1500)

histogram(y)

## draw a histogram from a normal mixture

n<-sum(sample(c(0,1),1000,replace=TRUE))

y<-c(rnorm(n,mean=5,sd=0.1),rnorm(1000-n))

histogram(y)

## the same using a regular histogram with Kullback-Leibler CV

n<-sum(sample(c(0,1),1000,replace=TRUE))

y<-c(rnorm(n,mean=5,sd=0.1),rnorm(1000-n))

histogram(y,type="regular",penalty="cv",control=list(cvformula=3))



Index

∗Topic


nonparametric

histogram

,

1

∗Topic



smooth

histogram

,

1

hist



,

3

,



6

histogram

,

1

quantile



,

5

7



Document Outline

  • histogram
  • Index


Yüklə 61,16 Kb.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2023
rəhbərliyinə müraciət

    Ana səhifə