La primera es la factorización positiva de matrices positivas. La otra, como bien titula la entrada, los procesos de Poisson autoexcitados.
Por eso no podía dejar de traer a la atención de mis lectores seismic. Aunque lo de Twitter ya huela.
Estos días pasados ha habido un hilo en la lista de correo de ayuda de R en español (¿todavía no te has dado de alta en ella?) en la que alguien preguntaba cómo crear paquetes y dónde encontrar documentación al respecto.
La buena intención de quienes han tratado de ayudarle, me temo, ha sido contraproducente. Lo han empapelado con una lista (casi con aspiraciones de exhaustividad) de recursos y más recursos en los que se indica cómo resolver el problema.
[N]NMF (se encuentra con una o dos enes) es una técnica de análisis no supervisado emergente. Se cuenta entre mis favoritas.
[N]NMF significa non negative matrix factorization y, como SVD, descompone una matriz M como UDV'. Solo que, en este caso, las entradas de M son todas positivas. Y la descomposición es UV', donde las entradas de ambas matrices son también positivas.
¿Qué tipo de matrices tienen entradas estrictamente positivas?
Y acabo con un instrumento (el paquete NMF de R) y el análisis de una encuesta realizado con dicha técnica para que la veáis en acción.
Rescato y reconvierto un comentario de mi buen amigo José Luis Cañadas en una entrada mía reciente en la de hoy.
Sugiere José Luis el uso del paquete effects de R para estudiar el efecto de (que el caso concreto de interés, aunque hay otros) las variables de un modelo logístico.
Nos copia el código
library(effects)
mod.cowles <- glm(volunteer ~ sex + neuroticism*extraversion,
data = Cowles, family = binomial)
eff.cowles <- allEffects(mod.cowles,
xlevels = list(extraversion = seq(0, 24, 6)),
given.values = c(sexmale = 0.5))
plot(eff.cowles, type = "response")que genera
Hoy no estoy de humor. He tratado de completar mi primer anillo en dos años y ha resultado un total fracaso. Mi bici buena estaba pinchada: me he enterado a un kilómetro de casa. He tenido que salir en otra, una de esas viejas de Decathlon, que no sé bien cómo apareció una vez en mi casa, que pesa un quintal y que cambia de marchas cuando y como quiere.
No solo me he quedado a la mitad del recorrido sino que, además, he podido constatar cómo el paisanaje de Madrid ha descompuesto todas las fuentes que en el proyecto original jalonaban el recorrido. Supongo que con la inestimable ayuda, por omisión, de nuestros munícipes. Aquello, más que un anillo ciclista, parecía Mad Max I.
En ocasiones uno recibe datos no muy distintos de
aragon <- read.table("http://datanalytics.com/uploads/pob_aragon",
header = T, sep = "\t")
aragon
# Provincias Periodo Hombres Mujeres
# 1 Huesca 2014 113840 111069
# 2 Huesca 2004 107961 104940
# 3 Teruel 2014 71449 68916
# 4 Teruel 2004 71073 68260
# 5 Zaragoza 2014 471675 488436
# 6 Zaragoza 2004 441840 455510Los mismos datos en formato largo son:
library(reshape2)
aragon.largo <- melt(aragon, id.vars = c("Provincias", "Periodo"))
aragon.largo
# Provincias Periodo variable value
# 1 Huesca 2014 Hombres 113840
# 2 Huesca 2004 Hombres 107961
# 3 Teruel 2014 Hombres 71449
# 4 Teruel 2004 Hombres 71073
# 5 Zaragoza 2014 Hombres 471675
# 6 Zaragoza 2004 Hombres 441840
# 7 Huesca 2014 Mujeres 111069
# 8 Huesca 2004 Mujeres 104940
# 9 Teruel 2014 Mujeres 68916
# 10 Teruel 2004 Mujeres 68260
# 11 Zaragoza 2014 Mujeres 488436
# 12 Zaragoza 2004 Mujeres 455510Si eso de datos largos (o en formato largo) no te suena, pierde un momento en:
Un ejemplo sencillo. Tengo un programa que contiene, por ejemplo, una consulta tal que
query <- "select * from mitabla
where country = 24 and year = 2014"Hay gente sumamente diligente, con una enorme capacidad de trabajo y con vocación de hormiguita que en mil ejecuciones distintas (distinto país, distinto año) del código anterior sería capaz de editar la consulta a mano. Probablemente usando el block de notas. Esa gente, que además suele madrugar mucho, siempre me ha dado cierta envidia. No sé por qué.
En todos mis Linux, desde el principio de los tiempos, R guardaba los paquetes en
/usr/lib/R/library/usr/lib/R/site-library (¡a veces y no sé por qué!)/usr/local/lib/R/site-libraryBajo /usr/lib deberían instalarse solo aquellos que vienen de serie con la instalación de R (o que se instalan usando el sistema de actualización de paquetes de la distribución de Linux) mientras que bajo /usr/local vivirían los instalados posteriormente por el usuario (véase esto).
Por supuesto, para escribir /usr/local/lib/R/site-library hacen falta permisos de superusuario y los paquetes ahí instalados están disponibles para todos los usuarios de la máquina. Pero de un tiempo a esta parte y por culpa, creo, de RStudio (tanto en versión de escritorio como de servidor), se me han comenzado a instalar paquetes en ~/R, bajo mi directorio personal. ¡Anatema!
Acabo de subir a Github una nueva versión de rPython-win, que soluciona uno de mis bugs históricos: ha pasado tanto tiempo en estado “pendiente” que casi le cojo cariño. Tiene (o tenía) que ver con particularidades no documentadas de las APIs para C de Python en distintas versiones de Windows y creo que no afecta al paquete en otras plataformas.
Y aprovechando que el Pisuerga pasa por Valladolid, un enlace: Calling Python from R with rPython.
Me pasó el otro día Federico Castanedo un enlace a swirl que quiero compartir con mis lectores y, en particular, aquellos que quieren aprender (¡o enseñar!) R.
¿Cómo funciona? Sencillo:
install.packages("swirl")
library("swirl")
swirl()(idealmente en RStudio) y luego, click, click, click hasta saber todo lo que merece ser sabido en R.
Voy a escribir sobre un artículo como no debe hacerse: sin haberlo leído. Los bayesianos dirían que esta opinión que aquí voy a vertir es mi prior para cuando encuentre el tiempo y bajo la cual matizaré lo que en el se diga. Lo advierto, en todo caso, para que quien me lea no renuncie al sanísimo escepticismo.
Voy a hablar de Inferring causal impact using Bayesian structural time-series models y del paquete de R que lo acompaña, CausalImpact, cuyos autores trabajan en Google.
Dos motivos me han tenido missing estas últimas semanas. Uno es una estancia en la Universidad de Santa Catalina del Burgo de Osma. Oportunamente ubicada en las estribaciones de la muy generosa en caldos de calidad Ribera del Duero, ha sido reconvertida a la sazón en un hotel propicio para la evasión y la agrafía.
El segundo es que en horas intempestivas he estado purgando de missings unas matrices enormes y de la, se conoce, mayor trascendencia. Es un asunto delicado, jamás bien resuelto, para el que el paquete [VIM](http://cran.r-project.org/web/packages/VIM/index.html) puede proporcionar ayuda. Sobre todo en los aspectos gráficos.
Ayer se publicó la versión 3.1.0 de R. No es gran noticia: aparecen nuevas versiones cada no muchos meses.
No hay motivo para no actualizar. Pero sí para hacerlo: las nuevas versiones corrigen errores en las anteriores y, además, encontrarás poco soporte en los foros para ese R 2.1.5 viejuno que aún mantienes por pereza.
Para quienes usen R en plataformas donde el software no se actualiza automágicamente, existe el paquete installr que permite actualizar la versión de R con menos esfuerzo que antaño haciendo
