在模拟中以长格式或数组格式存储数据

Question

我有一个模拟研究，我最终想绘制使用 ggplot2 的结果。然而，这要求数据是长格式的，我发现在进行自然采用一种因子设计的模拟研究时这不是很方便。我的问题是关于如何处理这个问题。

这里有一个虚拟的例子来说明这一切。假设我们想要比较简单线性回归中斜率的 OLS 估计量，其中包含和不包含针对 R 重复的两个样本大小的截距。我们可以使用以下方式存储它：

一个R x 2 x 2数组(replications x estimators x sample sizes)
具有变量 Replication、Sample size、Estimator 和 Value

这是R中的数组和数据框：

library(tidyverse)
# Settings
R <- 10
est <- c("OLS1", "OLS2")
n <- c(50, 100)

# Initialize array
res <- array(NA, 
             dim = c(R, length(est), length(n)),
             dimnames = list(Replication = 1:R, 
                             Estimator = est,
                             Sample_size = n))

tibb <- as_tibble(expand.grid(Replication = 1:R, Sample_size = n, Estimator = est)) %>% 
  mutate(Value = NA)

要用值填充这些，这里是模拟的主体：

for (i in seq_along(n)) {
  nn <- n[i]
  x <- rnorm(nn)
  for (j in 1:R) {
    y <- 1 * x + rnorm(nn)
    mod1 <- lm(y ~ 0 + x)
    mod2 <- lm(y ~ 1 + x)
    res[j, 1, i] <- mod1$coefficients[1]
    res[j, 2, i] <- mod2$coefficients[2]

    tibb[tibb$Replication == j & tibb$Sample_size == nn & tibb$Estimator == "OLS1", "Value"] <- mod1$coefficients[1]
    tibb[tibb$Replication == j & tibb$Sample_size == nn & tibb$Estimator == "OLS2", "Value"] <- mod2$coefficients[2]
  }
}

现在，tibb 立即准备好与 ggplot2 一起绘图。但是，正在进行的行选择非常尴尬。另一方面，尽管填充数组感觉自然而直观，但需要做更多的工作才能将其转换为适合绘图的格式。

那么我应该如何最好地解决这个问题？（还要记住，真实模拟通常比我在这里使用的维度更多。）还有其他更好的方法吗？

Answer 1

首先，我建议阅读关于 tidy data

的好博客

请记住，

每一列都是一个变量。
每一行都是一个观察值。

您可以构建一个包含所有计划模拟的数据框。将您的模拟定义为一个函数并将此函数应用于数据帧的每一行：

library(dplyr)
library(ggplot2)

# pre-define your simulations
df = expand.grid(Replication=1:10, Sample_size=c(50,100), Estimator=c("OLS1", "OLS2"))

# your simulation in a function
sim <- function(n, est) {
  x = rnorm(n)
  y = 1 * x + rnorm(n)
  ic = rep(ifelse(est=="OLS1",0,1), n)
  lm(y ~ ic + x)$coefficients["x"]
}

# simulate and plot
df %>%
  rowwise() %>%
  mutate(coefs= sim(Sample_size, Estimator)) %>%
  ggplot(aes(x=Replication, y=coefs, colour=as.factor(Sample_size), shape=Estimator)) +
  geom_point()

在模拟中以长格式或数组格式存储数据

Storing data in long or array format in simulation

r

ggplot2

tidyr

tidyverse