有人能帮我加速一些代码:
n = seq_len(ncol(mat)) # seq 1 to ncol(mat)
sym.pr<-outer(n,n,Vectorize(function(a,b) {
return(adf.test(LinReg(mat[,c(a,b)]),k=0,alternative="stationary")$p.value)
}))
mat是N观察的NxM矩阵和M个对象,例如:
Obj1 Obj2 Obj3
1 . . .
2 . . .
3 . . .
LinReg定义为:
# Performs linear regression via OLS
LinReg=function(vals) {
# regression analysis
# force intercept c at y=0
regline<-lm(vals[,1]~as.matrix(vals[,2:ncol(vals)])+0)
# return spread (residuals)
return(as.matrix(regline$residuals))
}
基本上我在mat中的每个对象组合(即Obj1,Obj2和Obj2,Obj3和Obj1,Obj3)上执行回归分析(OLS),然后使用tseries包中的adf.test函数并存储p值.最终结果sym.pr是所有p值的对称矩阵(但实际上它不是100%对称的,见here for more info),但它就足够了.
使用上面的代码,在600×300矩阵(600个观测值和300个物体)上,大约需要15分钟.
我想过可能只计算对称矩阵的上三角形,但不知道如何去做.
有任何想法吗?
谢谢.
最佳答案 从一些虚拟数据开始
mdf <- data.frame( x1 = rnorm(5), x2 = rnorm(5), x3 = rnorm(5) )
我首先要确定感兴趣的组合.因此,如果我理解你正确,你的计算结果应该与mdf [c(i,j)]和mdf [c(j,i)]相同.在这种情况下,您可以使用combn函数来确定相关对.
pairs <- as.data.frame( t( combn( colnames( mdf ),2 ) ) )
pairs
V1 V2
1 x1 x2
2 x1 x3
3 x2 x3
现在,您可以在对上逐行应用函数(为简单起见,使用t.test):
pairs[["p.value"]] <- apply( pairs, 1, function( i ){
t.test( mdf[i] )[["p.value"]]
})
pairs
V1 V2 p.value
1 x1 x2 0.5943814
2 x1 x3 0.7833293
3 x2 x3 0.6760846
如果你仍然需要你的p.values回到(上三角形)矩阵形式,你可以投射它们:
library(reshape2)
acast( pairs, V1 ~ V2 )
x2 x3
x1 0.5943814 0.7833293
x2 NA 0.6760846