Standardową, mocną, dobrze zrozumiałą, teoretycznie ugruntowaną i często wdrażaną miarą „równości” jest funkcja Ripley K i jej bliski krewny, funkcja L. Chociaż są one zwykle używane do oceny konfiguracji dwuwymiarowych punktów przestrzennych, analiza potrzebna do dostosowania ich do jednego wymiaru (czego zwykle nie podano w odnośnikach) jest prosta.
Teoria
Funkcja K szacuje średni odsetek punktów w odległości od typowego punktu. Dla równomiernego rozkładu w przedziale [ 0 , 1 ] można obliczyć rzeczywistą proporcję i (asymptotycznie w wielkości próby) wynosi 1 - ( 1 - d ) 2 . Odpowiednia jednowymiarowa wersja funkcji L odejmuje tę wartość od K, aby pokazać odchylenia od jednorodności. Dlatego możemy rozważyć normalizację dowolnej partii danych w celu uzyskania zakresu jednostek i zbadanie jej funkcji L pod kątem odchyleń wokół zera.d[0,1]1−(1−d)2
Pracowane przykłady
W celu zilustrowania , że symulowane niezależnych próbek o rozmiarze 64 z jednolitej dystrybucji i wykreślono ich (znormalizowane) działa L na krótsze odległości (od 0 do 1 / 3 ), tworząc w ten sposób powłokę szacowania rozkładu próbkowania funkcja l. (Wykreślonych punktów w obrębie tej obwiedni nie można znacząco odróżnić od jednorodności.) Na tej podstawie narysowałem funkcje L dla próbek tego samego rozmiaru z rozkładu w kształcie litery U, rozkładu mieszanki z czterema oczywistymi składnikami i standardowego rozkładu normalnego. Histogramy tych próbek (i ich rozkładów macierzystych) pokazano w celach informacyjnych, używając symboli linii w celu dopasowania do funkcji L.9996401/3
Ostre oddzielone skoki rozkładu w kształcie litery U (przerywana czerwona linia, skrajny lewy histogram) tworzą skupiska o ściśle rozmieszczonych wartościach. Odzwierciedla to bardzo duże nachylenie funkcji L przy . Funkcja L następnie maleje, ostatecznie staje się ujemna, aby odzwierciedlić luki w odległościach pośrednich.0
Próbka z rozkładu normalnego (ciągła niebieska linia, histogram po prawej stronie) jest dość zbliżona do równomiernie rozmieszczonego. W związku z tym jego funkcja L nie odbiega szybko od . Jednak przy odległościach około 0,10 wzrósł on wystarczająco powyżej obwiedni, aby zasygnalizować niewielką tendencję do skupiania się. Dalszy wzrost na pośrednich odległościach wskazuje, że skupienie jest rozproszone i powszechne (nie ogranicza się do niektórych izolowanych pików).00.10
Początkowe duże nachylenie próbki z rozkładu mieszaniny (środkowy histogram) ujawnia grupowanie w małych odległościach (mniej niż ). Zejście do poziomów ujemnych sygnalizuje separację na pośrednich odległościach. Porównanie tego z funkcją L rozkładu w kształcie litery U ujawnia: nachylenia przy 0 , kwoty, o które te krzywe rosną powyżej 0 , oraz szybkości, z którymi ostatecznie opadają z powrotem do 0, wszystkie dostarczają informacji o naturze skupienia występującego w dane. Każda z tych cech może być wybrana jako pojedyncza miara „równości” w celu dopasowania do konkretnego zastosowania.0,15000
Przykłady te pokazują, w jaki sposób można zbadać funkcję L w celu oceny odejść danych od jednorodności („równości”) oraz w jaki sposób można z nich uzyskać informacje ilościowe na temat skali i charakteru odlotów.
(Rzeczywiście można wykreślić całą funkcję L, rozciągającą się do pełnej znormalizowanej odległości , aby ocenić duże odstępstwa od jednolitości. Zwykle jednak ważniejsze jest ocenianie zachowania danych na mniejszych odległościach).1
Oprogramowanie
R
poniżej kod do wygenerowania tej liczby. Zaczyna się od zdefiniowania funkcji do obliczenia K i L. Stwarza możliwość symulacji z rozkładu mieszanki. Następnie generuje symulowane dane i tworzy wykresy.
Ripley.K <- function(x, scale) {
# Arguments:
# x is an array of data.
# scale (not actually used) is an option to rescale the data.
#
# Return value:
# A function that calculates Ripley's K for any value between 0 and 1 (or `scale`).
#
x.pairs <- outer(x, x, function(a,b) abs(a-b)) # All pairwise distances
x.pairs <- x.pairs[lower.tri(x.pairs)] # Distances between distinct pairs
if(missing(scale)) scale <- diff(range(x.pairs))# Rescale distances to [0,1]
x.pairs <- x.pairs / scale
#
# The built-in `ecdf` function returns the proportion of values in `x.pairs` that
# are less than or equal to its argument.
#
return (ecdf(x.pairs))
}
#
# The one-dimensional L function.
# It merely subtracts 1 - (1-y)^2 from `Ripley.K(x)(y)`.
# Its argument `x` is an array of data values.
#
Ripley.L <- function(x) {function(y) Ripley.K(x)(y) - 1 + (1-y)^2}
#-------------------------------------------------------------------------------#
set.seed(17)
#
# Create mixtures of random variables.
#
rmixture <- function(n, p=1, f=list(runif), factor=10) {
q <- ceiling(factor * abs(p) * n / sum(abs(p)))
x <- as.vector(unlist(mapply(function(y,f) f(y), q, f)))
sample(x, n)
}
dmixture <- function(x, p=1, f=list(dunif)) {
z <- matrix(unlist(sapply(f, function(g) g(x))), ncol=length(f))
z %*% (abs(p) / sum(abs(p)))
}
p <- rep(1, 4)
fg <- lapply(p, function(q) {
v <- runif(1,0,30)
list(function(n) rnorm(n,v), function(x) dnorm(x,v), v)
})
f <- lapply(fg, function(u) u[[1]]) # For random sampling
g <- lapply(fg, function(u) u[[2]]) # The distribution functions
v <- sapply(fg, function(u) u[[3]]) # The parameters (for reference)
#-------------------------------------------------------------------------------#
#
# Study the L function.
#
n <- 64 # Sample size
alpha <- beta <- 0.2 # Beta distribution parameters
layout(matrix(c(rep(1,3), 3, 4, 2), 2, 3, byrow=TRUE), heights=c(0.6, 0.4))
#
# Display the L functions over an envelope for the uniform distribution.
#
plot(c(0,1/3), c(-1/8,1/6), type="n",
xlab="Normalized Distance", ylab="Total Proportion",
main="Ripley L Functions")
invisible(replicate(999, {
plot(Ripley.L(x.unif <- runif(n)), col="#00000010", add=TRUE)
}))
abline(h=0, lwd=2, col="White")
#
# Each of these lines generates a random set of `n` data according to a specified
# distribution, calls `Ripley.L`, and plots its values.
#
plot(Ripley.L(x.norm <- rnorm(n)), col="Blue", lwd=2, add=TRUE)
plot(Ripley.L(x.beta <- rbeta(n, alpha, beta)), col="Red", lwd=2, lty=2, add=TRUE)
plot(Ripley.L(x.mixture <- rmixture(n, p, f)), col="Green", lwd=2, lty=3, add=TRUE)
#
# Display the histograms.
#
n.breaks <- 24
h <- hist(x.norm, main="Normal Sample", breaks=n.breaks, xlab="Value")
curve(dnorm(x)*n*mean(diff(h$breaks)), add=TRUE, lwd=2, col="Blue")
h <- hist(x.beta, main=paste0("Beta(", alpha, ",", beta, ") Sample"),
breaks=n.breaks, xlab="Value")
curve(dbeta(x, alpha, beta)*n*mean(diff(h$breaks)), add=TRUE, lwd=2, lty=2, col="Red")
h <- hist(x.mixture, main="Mixture Sample", breaks=n.breaks, xlab="Value")
curve(dmixture(x, p, g)*n*mean(diff(h$breaks)), add=TRUE, lwd=2, lty=3, col="Green")