Mam kilka częstotliwości zapytań i muszę oszacować współczynnik prawa Zipfa. Oto najwyższe częstotliwości:
26486
12053
5052
3033
2536
2391
1444
1220
1152
1039
Mam kilka częstotliwości zapytań i muszę oszacować współczynnik prawa Zipfa. Oto najwyższe częstotliwości:
26486
12053
5052
3033
2536
2391
1444
1220
1152
1039
Odpowiedzi:
Aktualizacja Zaktualizowałem kod z estymatorem maksymalnego prawdopodobieństwa zgodnie z sugestią @whuber. Minimalizacja sumy kwadratów różnic między logicznymi prawdopodobieństwami teoretycznymi a częstotliwościami logów daje odpowiedź, byłaby to procedura statystyczna, gdyby można było wykazać, że jest to pewnego rodzaju M-estymator. Niestety nie mogłem wymyślić żadnego, który mógłby dać takie same wyniki.
Oto moja próba. Obliczam logarytmy częstotliwości i próbuję dopasować je do logarytmów teoretycznych prawdopodobieństw podanych przez ten wzór . Ostateczny wynik wydaje się rozsądny. Oto mój kod w R.
fr <- c(26486, 12053, 5052, 3033, 2536, 2391, 1444, 1220, 1152, 1039)
p <- fr/sum(fr)
lzipf <- function(s,N) -s*log(1:N)-log(sum(1/(1:N)^s))
opt.f <- function(s) sum((log(p)-lzipf(s,length(p)))^2)
opt <- optimize(opt.f,c(0.5,10))
> opt
$minimum
[1] 1.463946
$objective
[1] 0.1346248
Najlepsze dopasowanie kwadratowe to .
Maksymalne prawdopodobieństwo w R można wykonać za pomocą mle
funkcji (z stats4
pakietu), która pomaga obliczać standardowe błędy (jeśli podano poprawną ujemną funkcję maksymalnego prawdopodobieństwa):
ll <- function(s) sum(fr*(s*log(1:10)+log(sum(1/(1:10)^s))))
fit <- mle(ll,start=list(s=1))
> summary(fit)
Maximum likelihood estimation
Call:
mle(minuslogl = ll, start = list(s = 1))
Coefficients:
Estimate Std. Error
s 1.451385 0.005715046
-2 log L: 188093.4
Oto wykres dopasowania do skali log-log (ponownie jak sugerował @whuber):
s.sq <- opt$minimum
s.ll <- coef(fit)
plot(1:10,p,log="xy")
lines(1:10,exp(lzipf(s.sq,10)),col=2)
lines(1:10,exp(lzipf(s.ll,10)),col=3)
Czerwona linia jest sumą dopasowania kwadratów, zielona linia jest dopasowaniem o najwyższym prawdopodobieństwie.
Istnieje kilka kwestii przed nami w każdym problemu estymacji:
Oszacuj parametr.
Oceń jakość tego oszacowania.
Przeglądaj dane.
Oceń dopasowanie.
Dla tych, którzy używają metod statystycznych do zrozumienia i komunikacji, pierwsza nigdy nie powinna zostać wykonana bez innych.
Zatem prawdopodobieństwo dziennika dla danych wynosi
Biorąc pod uwagę naturę prawa Zipf, właściwym sposobem na wykres to dopasowanie jest na wykresie dziennika , gdzie dopasowanie będzie liniowe (z definicji):
Aby ocenić dobroć dopasowania i zbadać dane, spójrz na pozostałości (dane / dopasowanie, osie log-log):
Ponieważ reszty wydają się losowe, w niektórych aplikacjach możemy być zadowoleni z przyjęcia prawa Zipfa (i naszego oszacowania parametru) jako akceptowalnego, choć przybliżonego opisu częstotliwości . Ta analiza pokazuje jednak, że błędem byłoby przypuszczać, że oszacowanie ma jakąkolwiek wartość wyjaśniającą lub predykcyjną dla badanego zestawu danych.
Jeden z probabilistycznych języków programowania, takich jak PyMC3, sprawia, że oszacowanie jest stosunkowo proste. Inne języki to Stan, który ma wspaniałe funkcje i wspierającą społeczność.
Oto moja implementacja w Pythonie modelu dopasowanego do danych PO (także w Github ):
import theano.tensor as tt
import numpy as np
import pymc3 as pm
import matplotlib.pyplot as plt
data = np.array( [26486, 12053, 5052, 3033, 2536, 2391, 1444, 1220, 1152, 1039] )
N = len( data )
print( "Number of data points: %d" % N )
def build_model():
with pm.Model() as model:
# unsure about the prior...
#s = pm.Normal( 's', mu=0.0, sd=100 )
#s = pm.HalfNormal( 's', sd=10 )
s = pm.Gamma('s', alpha=1, beta=10)
def logp( f ):
r = tt.arange( 1, N+1 )
return -s * tt.sum( f * tt.log(r) ) - tt.sum( f ) * tt.log( tt.sum(tt.power(1.0/r,s)) )
pm.DensityDist( 'obs', logp=logp, observed={'f': data} )
return model
def run( n_samples=10000 ):
model = build_model()
with model:
start = pm.find_MAP()
step = pm.NUTS( scaling=start )
trace = pm.sample( n_samples, step=step, start=start )
pm.summary( trace )
pm.traceplot( trace )
pm.plot_posterior( trace, kde_plot=True )
plt.show()
if __name__ == '__main__':
run()
Aby zapewnić podstawową diagnostykę próbkowania, możemy zobaczyć, że próbkowanie było „dobrze mieszane”, ponieważ nie widzimy żadnej struktury w śladzie:
Do uruchomienia kodu potrzebny jest Python z zainstalowanymi pakietami Theano i PyMC3.
Dzięki @ w-huber za wspaniałą odpowiedź i komentarze!
Oto moja próba dopasowania danych, oceny i eksploracji wyników za pomocą VGAM:
require("VGAM")
freq <- dzipf(1:100, N = 100, s = 1)*1000 #randomizing values
freq <- freq + abs(rnorm(n=1,m=0, sd=100)) #adding noize
zdata <- data.frame(y = rank(-freq, ties.method = "first") , ofreq = freq)
fit = vglm(y ~ 1, zipf, zdata, trace = TRUE,weight = ofreq,crit = "coef")
summary(fit)
s <- (shat <- Coef(fit)) # the coefficient we've found
probs <- dzipf(zdata$y, N = length(freq), s = s) # expected values
chisq.test(zdata$ofreq, p = probs)
plot(zdata$y,(zdata$ofreq),log="xy") #log log graph
lines(zdata$y, (probs)*sum(zdata$ofreq), col="red") # red line, num of predicted frequency
Chi-squared test for given probabilities
data: zdata$ofreq
X-squared = 99.756, df = 99, p-value = 0.4598
W naszym przypadku zerowymi hipotezami Chi kwadrat jest to, że dane są dystrybuowane zgodnie z prawem zipf, a zatem większe wartości p potwierdzają twierdzenie, że dane są dystrybuowane zgodnie z nim. Zauważ, że nawet bardzo duże wartości p nie są dowodem, a jedynie wskaźnikiem.
Ponownie UWSE zapewnia tylko spójne oszacowanie - brak przedziałów ufności, i możemy zobaczyć kompromis w dokładności. Powyższe rozwiązanie mpiktas jest również aplikacją UWSE - chociaż programowanie jest wymagane. Pełne wyjaśnienie estymatora znajduje się na stronie : https://paradsp.wordpress.com/ - na samym dole.
Moje rozwiązanie stara się być komplementarne do odpowiedzi udzielonych przez mpiktas i whuber wykonujących implementację w Pythonie. Nasze częstotliwości i zakresy x to:
freqs = np.asarray([26486, 12053, 5052, 3033, 2536, 2391, 1444, 1220, 1152, 1039])
x = np.asarray([1, 2, 3, 4, 5 ,6 ,7 ,8 ,9, 10])
Ponieważ nasza funkcja nie jest zdefiniowana we wszystkich zakresach, musimy sprawdzać, czy normalizujemy się za każdym razem, gdy ją obliczamy. W przypadku dyskretnym prostym przybliżeniem jest podzielenie przez sumę wszystkich y (x). W ten sposób możemy porównać różne parametry.
f,ax = plt.subplots()
ax.plot(x, f1, 'o')
ax.set_xscale("log")
ax.set_yscale("log")
def loglik(b):
# Power law function
Probabilities = x**(-b)
# Normalized
Probabilities = Probabilities/Probabilities.sum()
# Log Likelihoood
Lvector = np.log(Probabilities)
# Multiply the vector by frequencies
Lvector = np.log(Probabilities) * freqs
# LL is the sum
L = Lvector.sum()
# We want to maximize LogLikelihood or minimize (-1)*LogLikelihood
return(-L)
s_best = minimize(loglik, [2])
print(s_best)
ax.plot(x, freqs[0]*x**-s_best.x)
Wynik daje nam nachylenie 1,450408, jak w poprzednich odpowiedziach.