(Mis) procesos puntuales con glm
Lo que escribí hace un par de días sobre procesos puntuales, ahora me doy cuenta, podía haberse resuelto con nuestro viejo amigo glm.
Ejecuto el código del otro día y obtengo (para un caso nuevo)
mu alfa verosimilitud delta
1 0.4493158 0.50000000 340.6141 1
2 0.2675349 0.40457418 307.3939 2
3 0.1894562 0.28917407 293.4696 3
4 0.1495654 0.22237707 287.0784 4
5 0.1243791 0.18079703 281.3900 5
6 0.1142837 0.14913172 284.9227 6
7 0.1217504 0.12150745 288.5448 7
8 0.1214365 0.10424818 289.3282 8
9 0.1204605 0.09148817 290.9081 9
10 0.1315896 0.07857330 295.3935 10</code>que significa que el parámetro óptimo es delta = 5, mu = 0.124 y alfa = 0.18.
Ahora hago
cuantos.previos <- function(i, muestra, delta){
indices <- Filter(function(x) x < i & x > i - delta, 1:n)
cuantos <- sum(muestra[indices])
}
fit.glm <- function(delta){
prev <- sapply(1:length(muestra),
cuantos.previos, muestra, delta)
dat <- data.frame(muestra = muestra, prev = prev)
res.glm <- glm(muestra ~ prev, data = dat,
family = poisson(link = "identity"))
c(delta, res.glm$coefficients, summary(res.glm)$aic)
}
res.glm <- sapply(1:10, fit.glm)
res.glm <- as.data.frame(t(res.glm))
colnames(res.glm) <- c("delta", "mu", "alfa", "aic")y obtengo
delta mu alfa aic
1 1 0.4493151 NA 683.2282
2 2 0.2675337 0.40457432 618.7877
3 3 0.1894536 0.28917516 590.9391
4 4 0.1495631 0.22237700 578.1569
5 5 0.1243779 0.18079585 566.7799
6 6 0.1142817 0.14913071 573.8454
7 7 0.1217500 0.12150532 581.0896
8 8 0.1214371 0.10424691 582.6564
9 9 0.1204672 0.09148587 585.8163
10 10 0.1315951 0.07856897 594.7869que viene a ser lo mismo que antes. Solo que mucho más rápido.
