1
我試圖在實質上是面板數據集的情況下生成精度更改（基於估計的置信區間）。ddply面板中的滯後變量
所以，作爲一個簡單的例子，這裏是我寫的功能，並將其應用到一個無意義的例子....
precision.gain <- function(x){
x <- ts(x, start=x[1])
x.length <- seq(length = length(x))
x.lag <- lag(x, -1)
x.gain <- ((x - x.lag) * 100)/x
x.gain <- c(NA, x.gain)
x.gain
}
t <- data.frame(x=1:20)
t <- cbind(t, precision.gain(t$x))
t
x precision.gain(t$x)
1 1 NA
2 2 50.000000
3 3 33.333333
4 4 25.000000
5 5 20.000000
6 6 16.666667
7 7 14.285714
8 8 12.500000
9 9 11.111111
10 10 10.000000
11 11 9.090909
12 12 8.333333
13 13 7.692308
14 14 7.142857
15 15 6.666667
16 16 6.250000
17 17 5.882353
18 18 5.555556
19 19 5.263158
20 20 5.000000
這一工程，是偉大的，但我無法（或更有可能錯誤認識）這個怎麼那麼（T？）適用於我的數據幀的樣本，其是....
subset(results.normal.sum, n2 > 20 & n2 < 30, select=c(sd2, n2, ci.width1))
sd2 n2 ci.width1
11 0.4 22 0.6528714
12 0.4 24 0.6167015
13 0.4 26 0.5895856
14 0.4 28 0.5658297
46 0.6 22 0.6529126
47 0.6 24 0.6196544
48 0.6 26 0.5922061
49 0.6 28 0.5642688
81 0.8 22 0.6513849
82 0.8 24 0.6194468
83 0.8 26 0.5923094
84 0.8 28 0.5636396
116 1.0 22 0.6522927
117 1.0 24 0.6191043
118 1.0 26 0.5900129
119 1.0 28 0.5652429
151 1.2 22 0.6518072
152 1.2 24 0.6193353
153 1.2 26 0.5892683
154 1.2 28 0.5632235
186 1.4 22 0.6527031
187 1.4 24 0.6191458
188 1.4 26 0.5899453
189 1.4 28 0.5640431
221 1.6 22 0.6521401
222 1.6 24 0.6191883
223 1.6 26 0.5893458
224 1.6 28 0.5637215
256 1.8 22 0.6512491
257 1.8 24 0.6180401
258 1.8 26 0.5905810
259 1.8 28 0.5647388
291 2.0 22 0.6515769
292 2.0 24 0.6183121
293 2.0 26 0.5896990
294 2.0 28 0.5663394
我使用ddply（）從哈德利韋翰的plyr包試過.. ...
ddply(results.normal.sum, .(sd2), precision.gain, x=ci.width1)
Error in .fun(piece, ...) : unused argument(s) (piece)
使用tapply（）直接我有點那裏，但它不返回可cbind（）返回一個數據幀....
> tapply(results.normal.sum$ci.width1, sd2, precision.gain)
$`0.4`
[1] NA -771.332292 -68.852635 -30.514545 -19.877447 -14.515380
[7] -11.147183 -9.282641 -7.680418 -6.836209 -5.954992 -5.865053
[13] -4.599158 -4.198409 -4.155838 -3.529773 -3.590234 -3.432364
[19] -2.899601 -3.092533 -2.721967 -2.506706 -2.498318 -2.321500
[25] -2.299822 -2.187855 -2.116990 -1.896162 -1.853487 -1.604902
[31] -2.194138 -1.473042 -1.710051 -1.701994 -1.417754
$`0.6`
[1] NA -756.196418 -68.222048 -30.566420 -19.216860 -15.162929
[7] -10.645899 -9.628775 -7.326799 -7.178820 -5.770681 -5.367216
[13] -4.634938 -4.951049 -3.949776 -3.761633 -3.326209 -3.387764
[19] -3.009317 -3.074398 -2.397660 -2.678573 -2.626077 -2.268373
[25] -2.426720 -1.956498 -2.119986 -1.859410 -1.992678 -1.707448
[31] -1.991583 -1.595951 -1.765913 -1.415065 -1.655725
....
我覺得我接近，但我缺少或者誤解了某些東西。
我發現了一個類似的問題here但只是不明白所提供的答案/解決方案。
在此先感謝您的幫助，
slackline
OK，我可以看看你的嘗試，但我不能告訴你想要做什麼。根據您的樣本數據，請張貼預期結果。 – Andrie 2012-07-18 16:03:21
@Andrie，我在第一個非感性例子中顯示了每個觀察之間的百分比變化。在我的真實數據框架中，我希望在每個sd2分組中做這個，這就是爲什麼我嘗試使用ddply（）然後tapply（） – slackline 2012-07-19 07:55:42