-
Notifications
You must be signed in to change notification settings - Fork 0
/
ll.functions.s.txt
183 lines (155 loc) · 7.2 KB
/
ll.functions.s.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
##################################################################################################
# Various log.likelihood functions I use for simulation analysis
##################################################################################################
poisson.posterior.ll <- function(theta.vector,X) {
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
Y%*%X%*%theta.vector - sum(exp(X%*%theta.vector)) - sum(log(gamma(Y+1)))
}
logit.posterior.ll <- function(theta.vector,X) {
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
sum( -log(1+exp(-X%*%theta.vector))*Y - log(1+exp(X%*%theta.vector))*(1-Y) )
}
normal.posterior.ll <- function(coef.vector,X) {
dimnames(coef.vector) <- NULL
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
e <- Y - X%*%solve(t(X)%*%X)%*%t(X)%*%Y
sigma <- var(e)
return(- nrow(X)*(1/2)*log(2*pi)
- nrow(X)*(1/2)*log(sigma)
- (1/(2*sigma))*(t(Y-X%*%coef.vector)%*%(Y-X%*%coef.vector)) )
}
t.posterior.ll <- function(coef.vector,X,df) {
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
e <- Y - X%*%solve(t(X)%*%X)%*%t(X)%*%Y
sigma <- var(e)*(df-2)/(df)
d <- length(coef.vector)
return(log(gamma((df+d)/2)) - log(gamma(df/2)) - (d/2)*log(df) - (d/2)*log(pi) -
- 0.5*(log(sigma))
- ((df+d)/2*sigma)*log(1+(1/df)*(t(Y-X%*%coef.vector)%*%(Y-X%*%coef.vector)) ))
}
harvey.posterior.ll <- function(theta.vector,X,tol=1e-05) {
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
Xb <- (X%*%theta.vector[1:4])/(exp(X[,4]*theta.vector[5]))
h <- pnorm(Xb)
h[h<tol] <- tol
g <- 1-pnorm(Xb)
g[g<tol] <- tol
sum( log(h)*Y + log(g)*(1-Y) )
}
probit.posterior.ll <- function (theta.vector,X,tol = 1e-05)
{
Y <- X[,1]
X[,1] <- rep(1,nrow(X))
Xb <- X%*%theta.vector
h <- pnorm(Xb)
h[h<tol] <- tol
g <- 1-pnorm(Xb)
g[g<tol] <- tol
sum( log(h)*Y + log(g)*(1-Y) )
}
# TEST
# temp <- rmultnorm(1,coef.florida$V1,gizmo.florida)
# normal.posterior.ll(as.vector(temp),coef.florida$V1,gizmo.florida)
# normal.posterior.ll(coef.florida$V1,coef.florida$V1,gizmo.florida)
# t.posterior.ll(coef.florida$V1,coef.florida$V1,gizmo.florida,300)
# harvey.posterior.ll(data.teaching,teaching.het.coefs)
# probit.posterior.ll(data.teaching,teaching.probit$coefficients)
# temp.vector <- c(2.12177403,0.08907721,4.87892236,1.72871817)
# probit.posterior.ll(data.teaching,temp.vector)
# temp.vector <- c(-49.82623,-67.36943, 35.00449,-18.85766,-10.91166)
# harvey.posterior.ll(data.teaching,temp.vector)
##################################################################################################
##################################################################################################
# Some useful functions that are not in the R core
##################################################################################################
logit <- function(Xb) 1/(1+exp(-Xb))
inv.logit <- function(mu) log(mu/(1-mu))
det <- function(M) prod(diag(qr(M)$qr))*ifelse(nrow(M)%%2,1,-1)
##################################################################################################
##################################################################################################
# CONDITIONAL LOGIT POSTERIOR FUNCTION FOR USE IN THE CONTOURPLOT MATRIX
# A,B are the addresses, a,b are the values
##################################################################################################
logit.posterior.conditional <- function(a,b,A,B,in.mat,theta.vector) {
if (A < B) {
theta.vector <- theta.vector[-B]
theta.vector <- theta.vector[-A]
vectorB <- in.mat[,B]
vectorA <- in.mat[,A]
in.mat <- in.mat[,-B]
in.mat <- in.mat[,-A]
}
else {
theta.vector <- theta.vector[-A]
theta.vector <- theta.vector[-B]
vectorA <- in.mat[,A]
vectorB <- in.mat[,B]
in.mat <- in.mat[,-A]
in.mat <- in.mat[,-B]
}
if(length(theta.vector) < 3)
Xb <- 1*theta.vector[1] + mean(in.mat[,2])*theta.vector[2]
else
Xb <- 1*theta.vector[1]+
apply(in.mat[,2:ncol(in.mat)],2,mean)%*% theta.vector[2:length(theta.vector)]
names(Xb) <- NULL
Y <- in.mat[,1]
dens <- 0
for (j in 1:nrow(in.mat))
dens <- dens + log( 1/(1+exp((2*Y[j]-1)*(-Xb-a*vectorA[j]-b*vectorB[j]))) )
dens
}
##################################################################################################
# a function to generate random multivariate Gaussians
##################################################################################################
rmultinorm <- function(num.vals, mu.vec, vcmat, tol = 1e-08) {
k <- ncol(vcmat)
if(length(mu.vec)!=k)
stop(paste("rmultinorm error: rmultnorm: mu.vec vector wrong length:",length(mu.vec)))
if(max(abs(vcmat - t(vcmat))) > tol)
stop("rmultinorm error: variance-covariance matrix not symmetric")
vs <- svd(vcmat)
vcsqrt <- t(vs$v %*% (t(vs$u) * sqrt(vs$d)))
ans.mat <- sweep(matrix(rnorm(num.vals*k), nrow = num.vals) %*% vcsqrt,2,mu.vec,"+")
dimnames(ans.mat) <- list(NULL, dimnames(vcmat)[[2]])
return(ans.mat)
}
##################################################################################################
# and one to calc density values
##################################################################################################
dmultinorm <- function(xval,yval,mu.vector,sigma.matrix) {
normalizer <- (2*pi*sigma.matrix[1,1]*sigma.matrix[2,2]*sqrt(1-sigma.matrix[1,2]^2))^(-1)
like <- exp(-(1/(2*(1-sigma.matrix[1,2]^2)))* (
((xval-mu.vector[1])/sigma.matrix[1,1])^2
-2*sigma.matrix[1,2]*(((xval-mu.vector[1])/sigma.matrix[1,1])*((yval-mu.vector[2])/sigma.matrix[2,2]))
+ ((yval-mu.vector[2])/sigma.matrix[2,2])^2 ) )
pdf.out <- normalizer * like
return(pdf.out)
}
##################################################################################################
# Modification of Venebles and Ripley function to get the variance/covariance mat from glm object
##################################################################################################
glm.vc <- function(obj) { summary(obj)$dispersion * summary(obj)$cov.unscaled }
##################################################################################################
# a simple function to norm vectors
##################################################################################################
norm <- function(obj) { (obj - mean(obj))/sqrt(var(obj)) }
##################################################################################################
# A function to give CI tabulated results for GLMs
##################################################################################################
glm.summary <- function (in.object, alpha = 0.05)
{
lo <- in.object$coefficient - qnorm(1-alpha/2) *
diag(chol(summary(in.object)$cov.unscaled))
hi <- in.object$coefficient + qnorm(1-alpha/2) *
diag(chol(summary(in.object)$cov.unscaled))
out.mat <- round(cbind(in.object$coefficient, sqrt(diag(glm.vc(in.object))), lo, hi),5)
dimnames(out.mat)[[2]] <- c("Coefficient","Std. Error",
paste(1-alpha,"CI Lower"),paste(1-alpha,"CI Upper"))
out.mat
}