用于离散马尔可夫链仿真的 R 库答案

【问题标题】：R library for discrete Markov chain simulation用于离散马尔可夫链仿真的 R 库
【发布时间】：2010-05-02 18:23:39
【问题描述】：

我正在寻找类似“msm”包的东西，但要寻找离散马尔可夫链。例如，如果我有一个这样定义的转换矩阵

Pi <- matrix(c(1/3,1/3,1/3,
0,2/3,1/6,
2/3,0,1/2))

对于状态 A、B、C。如何根据该转移矩阵模拟马尔可夫链？

【问题讨论】：

NVM：找到答案books.google.com/…

标签： r markov-chains

【解决方案1】：

不久前，我编写了一组用于模拟和估计离散马尔可夫链概率矩阵的函数：http://www.feferraz.net/files/lista/DTMC.R。

你所问的相关代码：

simula <- function(trans,N) {
        transita <- function(char,trans) {
                sample(colnames(trans),1,prob=trans[char,])
        }

 sim <- character(N)
 sim[1] <- sample(colnames(trans),1)
 for (i in 2:N) {
  sim[i] <- transita(sim[i-1],trans)
 }

 sim
}

#example
#Obs: works for N >= 2 only. For higher order matrices just define an
#appropriate mattrans
mattrans <- matrix(c(0.97,0.03,0.01,0.99),ncol=2,byrow=TRUE)
colnames(mattrans) <- c('0','1')
row.names(mattrans) <- c('0','1')
instancia <- simula(mattrans,255) # simulates 255 steps in the process

【讨论】：

【解决方案2】：

Argh，您在我为您编写解决方案时找到了解决方案。这是我想出的一个简单示例：

run = function()
{
    # The probability transition matrix
    trans = matrix(c(1/3,1/3,1/3,
                0,2/3,1/3,
                2/3,0,1/3), ncol=3, byrow=TRUE);

    # The state that we're starting in
    state = ceiling(3 * runif(1, 0, 1));
    cat("Starting state:", state, "\n");

    # Make twenty steps through the markov chain
    for (i in 1:20)
    {
        p = 0;
        u = runif(1, 0, 1);

        cat("> Dist:", paste(round(c(trans[state,]), 2)), "\n");
        cat("> Prob:", u, "\n");

        newState = state;
        for (j in 1:ncol(trans))
        {
            p = p + trans[state, j];
            if (p >= u)
            {
                newState = j;
                break;
            }
        }

        cat("*", state, "->", newState, "\n");
        state = newState;
    }
}

run();

请注意，您的概率转移矩阵在每一行中的总和不会为 1，它应该这样做。我的例子有一个稍微改变的概率转移矩阵，它遵守这个规则。

【讨论】：

感谢您的回答。你的代码可读性很强。我真的很感激。
可读代码？根据我的经验，大多数使用R 的人已经完全忘记了这个概念。希望对您有所帮助！
要生成一个从 1 到 3 的随机整数，我认为sample(1:3, 1) 比ceiling(3 * runif(1, 0, 1)) 更容易理解。此外，对于最里面的 for 循环，您可以简单地使用 newState <- sample(1:ncol(trans), 1, prob=trans[state,])。这更清楚地表明了正在发生的事情。然后您甚至不必对行进行规范化。

【解决方案3】：

您现在可以使用 CRAN 中提供的 markovchain 包。用户manual。很好，有几个例子。

【讨论】：