Risposte:
Una stima della densità del kernel è una distribuzione mista; per ogni osservazione, c'è un kernel. Se il kernel ha una densità scalata, questo porta a un semplice algoritmo per il campionamento dalla stima della densità del kernel:
repeat nsim times:
sample (with replacement) a random observation from the data
sample from the kernel, and add the previously sampled random observation
) e quindi campionare da a . In R:
# Original distribution is exp(rate = 5)
N = 1000
x <- rexp(N, rate = 5)
hist(x, prob = TRUE)
lines(density(x))
# Store the bandwith of the estimated KDE
bw <- density(x)$bw
# Draw from the sample and then from the kernel
means <- sample(x, N, replace = TRUE)
hist(rnorm(N, mean = means, sd = bw), prob = TRUE)
A rigor di termini, dato che i componenti della miscela sono equamente ponderati, è possibile evitare il campionamento con parti di ricambio e disegnare semplicemente un campione di una dimensione da ciascun componente della miscela:
M = 10
hist(rnorm(N * M, mean = x, sd = bw))
Se per qualche motivo non puoi attingere dal tuo kernel (es. Il tuo kernel non è una densità), puoi provare con campionamento importante o MCMC . Ad esempio, utilizzando il campionamento per importanza:
# Draw from proposal distribution which is normal(mu, sd = 1)
sam <- rnorm(N, mean(x), 1)
# Weight the sample using ratio of target and proposal densities
w <- sapply(sam, function(input) sum(dnorm(input, mean = x, sd = bw)) /
dnorm(input, mean(x), 1))
# Resample according to the weights to obtain an un-weighted sample
finalSample <- sample(sam, N, replace = TRUE, prob = w)
hist(finalSample, prob = TRUE)
PS Con i miei ringraziamenti a Glen_b che ha contribuito alla risposta.