R语言计算单样本点来自经验多元分布的概率实现方法
基于经验多元分布的目标样本抽取概率估计方案(R实现)
场景说明
研究者需分析包含1000个样本、5个观测变量的数据集:
- 数据集首行目标样本取值为
c(7.2, 9, 14.1, 22.3, 3.9) - 剩余999个样本用于构建经验多元分布,变量生成规则为
x1=rnorm(999,10,1)、x2=rnorm(999,8,0.2)、x3=rnorm(999,12.4,1.2)、x4=rnorm(999,17.8,1.09)、x5=rnorm(999,8.9,2.1) - 核心需求为:基于999个样本估计得到的经验多元分布,计算首行目标样本从该分布中被抽取的概率,且待分析实际数据不要求满足多元正态分布假设。
实现方案说明
首先明确连续变量下的计算边界:纯经验多元分布的所有概率质量仅集中在用于估计的999个离散样本点上,对于连续取值的目标点,理论上精确匹配某一坐标的抽取概率为0,实际分析中可通过两类适配场景的技术方法计算对应的相对抽中概率,用于判断目标样本与经验分布的匹配程度。
多元核密度估计法(适配非正态无参数分布场景)
通过带最优带宽选择的多元核密度估计,对离散的经验分布做平滑拟合,得到连续的密度曲面,再提取目标点的密度值做归一化,得到对应的相对概率。核心实现依赖R的ks包,关键步骤为:- 输入999个样本,通过plug-in方法选择最优带宽,完成多元核密度拟合
- 输入目标样本坐标,提取对应位置的密度值
- 计算密度曲面的全空间积分值,将目标点密度做归一化得到相对抽中概率
可复现核心代码:
# 固定随机种子复现示例数据 set.seed(123) sample_base <- cbind( x1 = rnorm(999, 10, 1), x2 = rnorm(999, 8, 0.2), x3 = rnorm(999, 12.4, 1.2), x4 = rnorm(999, 17.8, 1.09), x5 = rnorm(999, 8.9, 2.1) ) target_sample <- c(7.2, 9, 14.1, 22.3, 3.9) # 多元核密度拟合与概率计算 library(ks) # 选择最优带宽完成核密度拟合 kde_fit <- kde(x = sample_base, H = Hpi(sample_base)) # 提取目标点的密度值 target_dens <- predict(kde_fit, x = target_sample) # 计算密度曲面的总积分值 dens_integral <- sum(kde_fit$estimate) * prod(sapply(kde_fit$eval.points, diff)) # 得到归一化相对概率 target_relative_prob <- as.numeric(target_dens / dens_integral)邻域经验匹配法(完全匹配原始经验分布定义)
不做分布平滑,严格按照经验分布的概率规则(每个原始样本点权重为1/999),计算目标样本邻域范围内包含的经验样本总权重,得到对应邻域的抽中概率。核心实现步骤为:- 基于马氏距离计算目标样本与999个基准样本的距离,消除不同量纲的影响
- 根据分析需求设定距离阈值,统计阈值范围内的基准样本数量
- 邻域样本数除以基准样本总量,即得到对应邻域的经验抽中概率
可复现核心代码:
# 计算基准样本的协方差矩阵 base_cov <- cov(sample_base) # 计算目标样本与所有基准样本的马氏距离 dist_mahal <- mahalanobis(x = sample_base, center = target_sample, cov = base_cov) # 设定距离阈值:取单变量0.1倍标准差对应的平方距离范围 eps_thresh <- 0.1^2 * sum(diag(base_cov)) # 统计邻域内的样本数量 neighbor_num <- sum(dist_mahal < eps_thresh) # 计算邻域经验概率 neighborhood_prob <- neighbor_num / nrow(sample_base)
注意:两类方法输出的概率值均为相对匹配程度指标,不存在绝对意义上的精确点抽中概率;概率值越高代表目标样本与基准经验分布的相似性越强,可用于判断首行样本是否为离群值。
内容的提问来源于stack exchange,提问作者Anti
相关产品推荐
相关产品推荐

