Nothing
forward_backward_algorithm <-
function(x, delta, gamma, distribution_class, distribution_theta, discr_logL = FALSE, discr_logL_eps = 0.5)
{
################################################################################################################################################################################################################################# Needed variables and functions ##############################################################################################
################################################################################################################################################################################
size <- length(x)
m <- length(delta)
fb_svtpoue <- fb_small_value_to_prevent_overflow_and_underflow_errors <- 4.940656e-142 #6.716723e-269
function_discr_log_L_p_norm <- function(x, mean, sd, discr_logL_eps)
{
foo <- pnorm((x + discr_logL_eps), mean = mean, sd = sd) - pnorm((x - discr_logL_eps), mean = mean, sd = sd)
return(foo)
}
################################################################################################################################################################################################################################# Preparation for calcualtion of log_alphas and log_betas ##################################################################
################################################# (Calcualtion of probabilities) ############################################################################################
################################################################################################################################################################################
if (distribution_class == "pois")
{
#### old
#probabilities <- matrix(0, ncol = m, nrow = size)
#for (i in 1:size)
#{
# for (j in 1:m)
# {
# probabilities[i,j] <- dpois(x[i], lambda = distribution_theta$lambda[j])
# }
#}
### old_2
#
# probabilities <- matrix(x, ncol = m, nrow = size)
# probabilities <- t(apply(X = probabilities, MARGIN = 1, FUN = dpois, lambda = distribution_theta$lambda))
probabilities <- outer(X = x, Y = distribution_theta$lambda, FUN = dpois)
}
if (distribution_class == "geom")
{
probabilities <- matrix(x, ncol = m, nrow = size)
probabilities <- t(apply(X = probabilities, MARGIN = 1, FUN = dgeom, prob = distribution_theta$prob))
}
if (distribution_class == "genpois")
{
probabilities <- matrix(x, ncol = m, nrow = size)
probabilities <- t(apply(X = probabilities, MARGIN = 1, FUN = dgenpois, lambda1 = distribution_theta$lambda1, lambda2 = distribution_theta$lambda2))
}
if (distribution_class == "norm" & discr_logL == FALSE)
{
probabilities <- matrix(x, ncol = m, nrow = size)
probabilities <- t(apply(X = probabilities, MARGIN = 1, FUN = dnorm, mean = distribution_theta$mean, sd = distribution_theta$sd))
}
if (distribution_class == "norm" & discr_logL == TRUE)
{
probabilities <- matrix(x, ncol = m, nrow = size)
probabilities <- t(apply(X = probabilities, MARGIN = 1, FUN = function_discr_log_L_p_norm, mean = distribution_theta$mean, sd = distribution_theta$sd, discr_logL_eps = discr_logL_eps))
}
if (distribution_class == "bivariate_pois")
{
size <- length(x[,1])
probabilities <- matrix(0, ncol = m, nrow = size)
for (i in 1:size)
{
for (j in 1:m)
{
probabilities[i,j] <- dpois(x[i,1], lambda=distribution_theta$lambda_1[j]) * dpois(x[i,2],lambda=distribution_theta$lambda_2[j])
}
}
}
################################################################################################################################################################################################################################ Negative probabilitiesabilities etc. must be caused by numerical over- and or underflow #################################### ################################################# -> setting those results to a very small number (fb_svtpoue) (Caution: small manipulation) ##################################
###############################################################################################################################################################################
probabilities <- ifelse(!is.na(probabilities), probabilities, fb_svtpoue)
probabilities <- ifelse(!probabilities <= 0, probabilities, fb_svtpoue)
probabilities <- ifelse(!probabilities > 1, probabilities, fb_svtpoue)
probabilities <- ifelse(!probabilities == Inf, probabilities, fb_svtpoue)
probabilities <- ifelse(!probabilities == -Inf, probabilities, fb_svtpoue)
################################################################################################################################################################################################################################# Calculating log_alphas ##############################################################################################
################################################################################################################################################################################
log_alpha <- matrix(fb_svtpoue, nrow = size, ncol = m)
foo <- delta * probabilities[1,]
sum_of_foo <- sum(foo) + fb_svtpoue
scaled_logL <- log(sum_of_foo)
foo <- foo / sum_of_foo
log_alpha[1,] <- scaled_logL + log(foo)
for (i in 2:size)
{
foo <- foo %*% gamma * probabilities[i,]
sum_of_foo <- sum(foo) + fb_svtpoue
scaled_logL <- scaled_logL + log(sum_of_foo)
foo <- foo / sum_of_foo
log_alpha[i,] <- scaled_logL + log(foo)
}
################################################# Calculating log_L via alpha_T ###########################################################################################
logL_calculated_with_alpha_T <- scaled_logL
################################################################################################################################################################################################################################# Calculating log_betas ###############################################################################################
################################################################################################################################################################################
log_beta <- matrix(fb_svtpoue, nrow = size, ncol = m)
log_beta[size,] <- rep(0,m)
foo <- rep(1 / m, m)
scaled_logL <- log(m)
for (i in (size-1):1)
{
foo <- gamma %*% (probabilities[i+1,] * foo)
log_beta[i,] <- log(foo) + scaled_logL
sum_of_foo <- sum(foo) + fb_svtpoue
foo <- foo / sum_of_foo
scaled_logL <- scaled_logL + log(sum_of_foo)
}
################################################# Calculating log_L via beta_1 ###############################################################################################
logL_calculated_with_beta_1 <- scaled_logL
################################################################################################################################################################################################################################# Calculating log_L via alpha_middle_t and beta_middle_t ##############################################################
################################################################################################################################################################################
logL_calculated_with_alpha_t_and_beta_t <- 0
middle_t <- round(size / 2)
c <- max(log_alpha[middle_t,])
for (i in 1:m)
{
logL_calculated_with_alpha_t_and_beta_t <- logL_calculated_with_alpha_t_and_beta_t + exp( log_alpha[middle_t,i] + log_beta[middle_t,i] - c)
}
logL_calculated_with_alpha_t_and_beta_t <- log(logL_calculated_with_alpha_t_and_beta_t) + c
logL <- logL_calculated_with_alpha_t_and_beta_t
logL_calculation <- "logL calculated with alpha_middle_t and beta_middle_t"
if (logL == -Inf | logL == Inf | is.na(logL))
{
logL_calculation <- "logL calculated with alpha_T"
logL <- logL_calculated_with_alpha_T
}
if (logL == -Inf | logL == Inf | is.na(logL))
{
logL <- logL_calculated_with_beta_1
logL_calculation <- "logL calculated with beta_1"
}
############################################################################################################################################################################################################################### Return results ################################################################################################################
################################################################################################################################################################################
return(list(log_alpha = log_alpha,
log_beta = log_beta,
logL = logL,
logL_calculation = logL_calculation))
}
Any scripts or data that you put into this service are public.
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.