不同的 set.seed 每次在 R 中运行

如何解决不同的 set.seed 每次在 R 中运行

我想“衡量”哪种回归方法对异常值更稳健。

为此，我对模型系数的方差求和。每次运行，我从 t 分布生成数据。我将.seed 设置了十次以获得十个特定数据。

但是，我也希望每次运行有 10 个不同的种子。所以，总的来说，我将有 10 个方差之和。下面的代码给了我一个的第一个总和（十个不同的种子）。

我该怎么做？

#######################################
p <- 5
n <- 50
#######################################
FX <- function(seed,data) {
#for loops over a seed #
for (i in seed) {
set.seed(seed)  
# generating data from t-distribution #
x<- matrix(rt(n*p,1),ncol = p)
y<-rt(n,1)
dat=cbind(x,y)
data<-as.data.frame(dat)
# performing a regression model on the data #
lm1 <- lm(y ~ .,data=data)
lm.coefs <- coef(lm1)
            
lad1 <- lad(y ~ .,data=data,method="BR")
lad.coefs <- coef(lad1)
          }
# calculate variance of the coefficients # 
return(`attr<-`(cbind(lmm=var(lm.coefs),lad=var(lad.coefs)),"seed",seed))
}
#######################################
seeds <- 1:10  ## 10 set seed to have diffrent data set from t-distribution #
res <- lapply(seeds,FX,data=data) # 10 diffrent variance of 10 data/model
sov <- t(sapply(res,colSums)) # put them in matrix
colSums(sov) # sum of 10 varainnces for each model.

解决方法

这里更接近您的预期结果。下面的代码修复了原始代码中的一个关键问题。不清楚该函数打算返回什么数据。

这会在函数内部创建一个种子数向量
这还会在函数内部创建一个向量，以存储循环每次迭代的系数方差值。（不确定是否是您想要的）。
我需要注释掉 lad 函数，因为我不知道它来自哪个包。（您需要按照上面的 2 将其添加回来。

对代码进行一些常规清理

p <- 5
n <- 50


FX <- function(seed,data) {
    #for loops over a seed #
  #Fixes the starting seed issue
  startingSeed <- (seed-1)*10 +1
  seeds <- seq( startingSeed,startingSeed+9)

  #create vector to store results from loop iteration
  lm.coefs <- vector(mode="numeric",length=10)
  index <- 1

  for (i in seeds) {
    set.seed(i)  
    # generating data from t-distribution #
    x<- matrix(rt(n*p,1),ncol = p)
    y<-rt(n,1)
    data<-data.frame(x,y)
    # performing a regression model on the data #
    lm1 <- lm(y ~ .,data=data)
    lm.coefs[index] <- var(coef(lm1))

    #   lad1 <- lad(y ~ .,data=data,method="BR")
    #   lad.coefs <- coef(lad1)
    index <- index +1
  }
 # calculate variance of the coefficients # 
 return(`attr<-`(cbind(lmm=lm.coefs),"seed",seed))
}


seeds <- 1:10  ## 10 set seed to have diffrent data set from t-distribution #
res <- lapply(seeds,FX,data=data) # 10 diffrent variance of 10 data/model
sov <- t(sapply(res,colSums)) # put them in matrix
colSums(sov) # sum of 10 varainnces for each model.

希望这能提供答案或至少指导来解决您的问题。