Hàm map của package purrr

1 Giới thiệu

Với project « R thực dụng”, Nhi mong muốn trợ giúp các bạn mới làm quen với R nâng cao kỹ năng lập trình của mình, vì R không chỉ là 1 phần mềm thống kê đơn giản mà còn là một ngôn ngữ lập trình hàm rất thú vị. Bản thân Nhi cũng thấy mình cần thích ứng với xu hướng phát triển hiện đại của ngôn ngữ R (vì R ở thời điểm hiện nay hoàn toàn khác với R mà Nhi biết những năm 2005-2012).

Bài hôm nay Nhi sẽ giới thiệu về hàm « map » trong package purrr. Sự ra đời của nó đã thay đổi hoàn toàn cách thức viết vòng lặp trong R, vốn trước kia dựa trên 2 nhóm công cụ chính là các vòng lặp cổ điển (for, while, …) hoặc những hàm apply (sapply, lapply…).

Công dụng của hàm « map » có thể mô tả ngắn gọn là : « lặp lại nhiều lần một quy trình rồi đóng gói chuỗi kết quả ».

Khi triển khai hàm map, có 2 bộ phận chính tương ứng với 2 câu hỏi : (1) Làm như thế nào ? – hay xác định lộ trình cho vòng lặp và (2) Làm cái gì ? – hay mô tả nội dung 1 hàm f = công việc mà ta muốn làm..

map(.x, ~function(.x,…))

Mỗi bước trên lộ trình của vòng lặp tương ứng với một điều kiện (.x), được dùng như 1 tham số/dữ liệu trong hàm f . Tùy bản chất của dữ liệu đầu vào (thường là 1 list), (.x) có thể là vector, matrix, dataframe, hay 1 con số … , và đóng vai trò dữ liệu đầu vào, tùy chỉnh, tham số để cá biệt hóa nội dung hàm f.

Có nhiều hàm map trong package purrr, mỗi hàm có công dụng khác nhau và xuất kết quả khác nhau. Thí dụ : hàm « map » mặc định xuất kết quả là 1 list, hàm map_df xuất kết quả là 1 dataframe, hàm map_dbl hay map_int xuất kết quả là 1 vector số thực hay số nguyên…

2 Các thí dụ minh họa

2.1 Lặp lại n lần một phép tính

Các bạn còn nhớ dữ liệu điểm thi THPT 2018 ? Chúng ta sẽ dùng nó cho thí dụ minh họa đầu tiên . Nhi tải dữ liệu và trích xuất riêng điểm môn Toán

library(tidyverse)

## -- Attaching packages -------------------------------------------- tidyverse 1.2.1 --

## v ggplot2 3.0.0     v purrr   0.2.5
## v tibble  1.4.2     v dplyr   0.7.6
## v tidyr   0.8.1     v stringr 1.3.1
## v readr   1.1.1     v forcats 0.3.0

## -- Conflicts ----------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

df=read.csv("https://raw.githubusercontent.com/kinokoberuji/R-Tutorials/master/Provinces.csv")%>%as_tibble()

df%>%filter(Math!="NA")%>%dplyr::select(Math,Province)->math_df

Object math_df có thể xem như 1 quần thể, với đại lượng cần khảo sát là điểm thi môn Toán. Kích thước khá lớn của quần thể này nhằm chứng tỏ tốc độ tính toán rất nhanh khi sử dụng hàm map

Thí dụ đầu tiên, ta muốn đếm số thí sinh cho mỗi tỉnh thành. Phép đếm này có thể thực hiện dễ dàng bằng hàm group_by và tally của package dplyr:

math_df%>%group_by(Province)%>%tally()

Tuy nhiên ta còn có thể làm bằng hàm map: Do kết quả đếm là 1 số nguyên, nên ta dùng hàm map_int

math_df%>%split(.$Province)%>%
 map_int(~nrow(.x))

##          AN GIANG BA RIA - VUNG TAU         BAC GIANG           BAC KAN 
##                 0             11831             19526              2831 
##          BAC LIEU          BAC NINH           BEN TRE         BINH DINH 
##              5335             14790             11705             17724 
##        BINH DUONG        BINH PHUOC        BINH THUAN            CA MAU 
##             11263             10180             11675              9222 
##           CAN THO          CAO BANG           DA NANG           DAK LAK 
##             13013              4360              6094             21884 
##          DAK NONG         DIEN BIEN          DONG NAI         DONG THAP 
##              6327              5372             28595             14331 
##           GIA LAI                HA          HA GIANG            HA NAM 
##             12719             16211              3089              8657 
##            HA NOI         HAI DUONG         HAI PHONG         HAU GIANG 
##             37993             19933              5094              6176 
##       HO CHI MINH          HOA BINH          HUNG YEN         KHANH HOA 
##             78035              8903             12860             13471 
##        KIEN GIANG           KON TUM          LAI CHAU          LAM DONG 
##             13413              4425              3204             14928 
##          LANG SON           LAO CAO           LONG AN          NAM DINH 
##              8813              6187             14045              5086 
##           NGHE AN         NINH BINH        NINH THUAN           PHU THO 
##                 0              9569              5738             13633 
##           PHU YEN        QUANG BINH         QUANG NAM        QUANG NGAI 
##             10690              9546             17463             12598 
##        QUANG NINH         QUANG TRI         SOC TRANG            SON LA 
##                 0              7775              9300                 0 
##          TAY NINH         THAI BINH       THAI NGUYEN         THANH HOA 
##              8834             21401              8965             14038 
##  THUA THIEN - HUE        TIEN GIANG          TRA VINH       TUYEN QUANG 
##             12303             14088              8152              7542 
##         VINH LONG         VINH PHUC           YEN BAI 
##             10550             12565              6974

Phép tính này có thể phức tạp hơn, như trong thí dụ sau đây , Nhi dùng 1 hàm map để thi hành hàng loạt quy trình ước tính bách Phân vị thứ 50,75,90,95,97.5 và 99 theo phương pháp Harell Davis cho điểm số mô toán ở mỗi tỉnh thành:

math_df %>% split(.$Province) %>% 
  map(.,~ Hmisc::hdquantile(.x$Math,probs =c(0.5,0.75,0.9,0.95,0.975,0.99)))->hdquantile

hdquantile

## $`AN GIANG`
## [1] NA NA NA NA NA NA
## 
## $`BA RIA - VUNG TAU`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.400000 6.199905 6.800000 7.200000 7.563219 7.914723 
## 
## $`BAC GIANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600000 5.792610 6.600047 7.189397 7.590387 7.999703 
## 
## $`BAC KAN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.802286 4.796259 5.620354 6.176663 6.656565 7.312336 
## 
## $`BAC LIEU`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.999999 5.799994 6.416026 6.839013 7.246998 7.757645 
## 
## $`BAC NINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000000 6.200000 7.008658 7.589541 7.968934 8.289604 
## 
## $`BEN TRE`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000639 5.803305 6.587759 6.964479 7.204021 7.601284 
## 
## $`BINH DINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000000 5.999996 6.687782 7.184730 7.424387 7.835696 
## 
## $`BINH DUONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.200003 6.000000 6.637496 7.005745 7.401851 7.818840 
## 
## $`BINH PHUOC`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000000 5.999208 6.602674 7.031692 7.400041 7.799399 
## 
## $`BINH THUAN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000279 5.800391 6.558797 6.915288 7.202357 7.604272 
## 
## $`CA MAU`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600074 5.597877 6.204399 6.608821 7.000109 7.389151 
## 
## $`CAN THO`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.948913 5.800121 6.600000 7.001230 7.406297 7.814570 
## 
## $`CAO BANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.612234 4.796204 5.786611 6.268932 6.638211 7.109105 
## 
## $`DA NANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.200024 6.199945 6.929389 7.380615 7.680195 8.183563 
## 
## $`DAK LAK`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600000 5.799993 6.600000 7.000304 7.400001 7.800323 
## 
## $`DAK NONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.689001 5.651065 6.404651 6.809554 7.213390 7.710722 
## 
## $`DIEN BIEN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.999999 4.997339 5.846457 6.403061 6.894208 7.574555 
## 
## $`DONG NAI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000002 5.821474 6.600000 6.998716 7.215888 7.605066 
## 
## $`DONG THAP`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.005363 5.835720 6.599980 6.999996 7.308687 7.634320 
## 
## $`GIA LAI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600007 5.662857 6.528453 6.999836 7.390578 7.795967 
## 
## $HA
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600001 5.793788 6.617909 7.200128 7.601877 8.000393 
## 
## $`HA GIANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.199973 4.197598 5.259416 6.229332 7.381538 8.859825 
## 
## $`HA NAM`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.389075 6.222072 7.000000 7.400356 7.798130 8.089240 
## 
## $`HA NOI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.518258 6.400000 7.200000 7.600000 7.999888 8.232922 
## 
## $`HAI DUONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.002566 6.132803 6.879413 7.399975 7.784518 8.132778 
## 
## $`HAI PHONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.399776 6.306874 7.019763 7.532636 7.835441 8.348669 
## 
## $`HAU GIANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.497970 5.400000 6.199130 6.597712 6.979154 7.352020 
## 
## $`HO CHI MINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.402175 6.200000 6.847869 7.259305 7.600000 8.000000 
## 
## $`HOA BINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.400000 4.568732 5.942534 6.727072 7.382928 8.085400 
## 
## $`HUNG YEN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.999759 6.114800 7.000000 7.520065 7.817950 8.208815 
## 
## $`KHANH HOA`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000000 5.999999 6.608153 7.029322 7.400095 7.799822 
## 
## $`KIEN GIANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600000 5.580261 6.200390 6.601734 7.000125 7.400027 
## 
## $`KON TUM`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.740124 5.829327 6.759417 7.208534 7.582251 8.022827 
## 
## $`LAI CHAU`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.199999 4.996757 5.796905 6.232124 6.623815 7.289272 
## 
## $`LAM DONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.200000 6.000000 6.600000 7.000000 7.370035 7.779855 
## 
## $`LANG SON`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.800000 4.799994 5.796326 6.355083 6.801790 7.343663 
## 
## $`LAO CAO`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.424726 5.448715 6.399516 6.805285 7.243621 7.705071 
## 
## $`LONG AN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.000000 5.800012 6.599788 6.999757 7.333981 7.608846 
## 
## $`NAM DINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.629939 6.573560 7.200025 7.598604 7.894011 8.214838 
## 
## $`NGHE AN`
## [1] NA NA NA NA NA NA
## 
## $`NINH BINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.200239 6.203598 7.084748 7.589983 7.884826 8.280619 
## 
## $`NINH THUAN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.598125 5.599795 6.397556 6.798608 7.105838 7.539479 
## 
## $`PHU THO`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.600509 5.779899 6.600007 7.098902 7.585875 8.002866 
## 
## $`PHU YEN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.799998 5.800000 6.599776 7.001897 7.404600 7.858065 
## 
## $`QUANG BINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.199971 5.372796 6.220980 6.798398 7.212988 7.762785 
## 
## $`QUANG NAM`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.800000 5.800351 6.603358 7.161329 7.542755 7.965503 
## 
## $`QUANG NGAI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.999999 6.000000 6.799613 7.200003 7.597685 7.998864 
## 
## $`QUANG NINH`
## [1] NA NA NA NA NA NA
## 
## $`QUANG TRI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.614974 5.800038 6.616468 7.183950 7.556546 7.896133 
## 
## $`SOC TRANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.450690 5.400004 6.202225 6.746961 7.109587 7.469744 
## 
## $`SON LA`
## [1] NA NA NA NA NA NA
## 
## $`TAY NINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.001001 5.803440 6.598148 6.989110 7.238366 7.732689 
## 
## $`THAI BINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.224243 6.313677 7.063399 7.594094 7.809082 8.203210 
## 
## $`THAI NGUYEN`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.389841 5.418470 6.399962 6.976738 7.361931 7.802083 
## 
## $`THANH HOA`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.403070 5.802741 6.808442 7.399999 7.799977 8.187719 
## 
## $`THUA THIEN - HUE`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.996273 6.000006 6.800311 7.259246 7.605339 8.011145 
## 
## $`TIEN GIANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 5.318650 6.094053 6.800000 7.199996 7.451647 7.823484 
## 
## $`TRA VINH`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.464179 5.400100 6.199054 6.599700 6.995502 7.389520 
## 
## $`TUYEN QUANG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.916420 4.823591 5.807896 6.397089 6.864155 7.381700 
## 
## $`VINH LONG`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.998800 5.800000 6.426894 6.843735 7.200953 7.604226 
## 
## $`VINH PHUC`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 4.999999 6.177329 6.999957 7.402583 7.799999 8.193502 
## 
## $`YEN BAI`
##    0.500    0.750    0.900    0.950    0.975    0.990 
## 3.800545 4.960180 5.997619 6.602036 7.117912 7.639461

Ghi chú: phép ước tính phân vị theo Harell Davis có sử dụng bootstrap, nên rất phổ quát và không phụ thuộc vào đặc tính phân bố, khác với mô tả thông thường. Các bạn có thể tin chắc rằng nếu ở một tỉnh nào đó mà có HDquantile thứ 99 cao hơn trị số này cho quần thể chung, thì ở khu vực đó đã có điều bất thường xảy ra, thí dụ ở Hà Giang trị số HDQ 99 là 8.859, cao hơn rất nhiều so với cả nước (chỉ có 8.0 điểm)

Hmisc::hdquantile(math_df$Math,probs =c(0.5,0.75,0.9,0.95,0.975,0.99))

## 0.500 0.750 0.900 0.950 0.975 0.990 
##   5.0   6.0   6.8   7.2   7.6   8.0

2.2 Chọn mẫu ngẫu nhiên lặp lại (bootstrap)

Một thí dụ khác, lần này ta làm 1 thí nghiệm: Từ quần thể 741024 thí sinh cả nước, ta sẽ chọn mẫu ngẫu nhiên từ 1000 đến 30000 cá thể và tính giá trị trung bình, trung vị, bách phân vị thứ 5 và thứ 99 cho từng mẫu.

Đây là 1 vòng lặp có nội dung: Chọn mẫu n lần với kích thước tăng dần từ 1000 : 30000, và mỗi lần xuất ra 5 chỉ số thống kê mô tả như trên.

Ta có thể dùng vòng lặp for loop để thực hiện, nhưng ở đây Nhi dùng hàm map.

Vì mỗi hàm map chỉ làm 1 công việc duy nhất, nên quy trình cần kết nối 2 hàm map, hàm map thứ nhất làm việc chọn mẫu, hàm map thứ hai làm thống kê mô tả. Do hàm map thứ hai xuất ra 1 dataframe nên nó sẽ là hàm map_df

math_pop<-math_df$Math

sample_n=seq(from=1000, to=30000,by=1000)

s<-map(sample_n,~sample(math_pop,.x, replace = F))%>%
  map_df(~data_frame(Size=length(.x),
                     Mean=mean(.x),
                     Median=median(.x),
                     P5=quantile(.x,probs=0.05),
                     P99=quantile(.x,probs=0.99),
                     ))

s

Kết quả này có thể đi vào 1 hàm ggplot để vẽ biểu đồ, nếu bạn thích

s%>%ggplot(aes(x=Size))+
  geom_pointrange(aes(y=Median,
                      ymin=P5,ymax=P99,
                      col=Size),
                  show.legend = F)+
  theme_bw()+
  scale_y_continuous(limits = c(0,10))+
  geom_hline(yintercept = median(math_pop),linetype=2,col="red")+
  coord_flip()

2.3 Dựng hàng loạt mô hình khác nhau cho cùng dữ liệu

Trong thí dụ tiếp theo, Nhi sẽ dùng bộ dữ liệu gapminder, mục tiêu là dựng 5 mô hình khác nhau ước lượng tuổi thọ trung bình theo dân số, thu nhập bình quân, năm và yếu tố địa lý, cho từng quốc gia

library(gapminder)

gapminder

5 mô hình cần dựng có nội dung:

# a list of formula

f1 = lifeExp ~ pop
f2 = lifeExp ~ gdpPercap
f3 = lifeExp ~ pop + gdpPercap
f4 = lifeExp ~ pop + gdpPercap + year
f5 = lifeExp ~ pop + gdpPercap + year + continent

f1

## lifeExp ~ pop

f2

## lifeExp ~ gdpPercap

f3

## lifeExp ~ pop + gdpPercap

f4

## lifeExp ~ pop + gdpPercap + year

f5

## lifeExp ~ pop + gdpPercap + year + continent

Ta có thể kết hợp 2 hàm map, hàm thứ nhất dựng 5 mô hình với 5 công thức khác nhau, hàm map thứ 2 trích xuất kết quả summary cho từng mô hình

formulas <- list(f1,f2,f3,f4,f5)

mod <- map (formulas, ~ lm(.x, data=gapminder))%>%
  map(~ summary(.x))

mod

## [[1]]
## 
## Call:
## lm(formula = .x, data = gapminder)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -35.70 -11.13   1.07  11.45  22.91 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 5.924e+01  3.243e-01 182.688  < 2e-16 ***
## pop         7.904e-09  2.943e-09   2.685  0.00731 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 12.89 on 1702 degrees of freedom
## Multiple R-squared:  0.004219,   Adjusted R-squared:  0.003634 
## F-statistic: 7.212 on 1 and 1702 DF,  p-value: 0.007314
## 
## 
## [[2]]
## 
## Call:
## lm(formula = .x, data = gapminder)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -82.754  -7.758   2.176   8.225  18.426 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 5.396e+01  3.150e-01  171.29   <2e-16 ***
## gdpPercap   7.649e-04  2.579e-05   29.66   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.49 on 1702 degrees of freedom
## Multiple R-squared:  0.3407, Adjusted R-squared:  0.3403 
## F-statistic: 879.6 on 1 and 1702 DF,  p-value: < 2.2e-16
## 
## 
## [[3]]
## 
## Call:
## lm(formula = .x, data = gapminder)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -82.754  -7.745   2.055   8.212  18.534 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 5.365e+01  3.225e-01  166.36  < 2e-16 ***
## pop         9.728e-09  2.385e-09    4.08 4.72e-05 ***
## gdpPercap   7.676e-04  2.568e-05   29.89  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.44 on 1701 degrees of freedom
## Multiple R-squared:  0.3471, Adjusted R-squared:  0.3463 
## F-statistic: 452.2 on 2 and 1701 DF,  p-value: < 2.2e-16
## 
## 
## [[4]]
## 
## Call:
## lm(formula = .x, data = gapminder)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -67.497  -7.075   1.121   7.701  19.640 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -4.115e+02  2.767e+01 -14.872  < 2e-16 ***
## pop          6.353e-09  2.218e-09   2.864  0.00423 ** 
## gdpPercap    6.729e-04  2.444e-05  27.529  < 2e-16 ***
## year         2.354e-01  1.400e-02  16.812  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.673 on 1700 degrees of freedom
## Multiple R-squared:  0.4402, Adjusted R-squared:  0.4392 
## F-statistic: 445.6 on 3 and 1700 DF,  p-value: < 2.2e-16
## 
## 
## [[5]]
## 
## Call:
## lm(formula = .x, data = gapminder)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -28.4051  -4.0550   0.2317   4.5073  20.0217 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       -5.185e+02  1.989e+01 -26.062   <2e-16 ***
## pop                1.791e-09  1.634e-09   1.096    0.273    
## gdpPercap          2.985e-04  2.002e-05  14.908   <2e-16 ***
## year               2.863e-01  1.006e-02  28.469   <2e-16 ***
## continentAmericas  1.429e+01  4.946e-01  28.898   <2e-16 ***
## continentAsia      9.375e+00  4.719e-01  19.869   <2e-16 ***
## continentEurope    1.936e+01  5.182e-01  37.361   <2e-16 ***
## continentOceania   2.056e+01  1.469e+00  13.995   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.883 on 1696 degrees of freedom
## Multiple R-squared:  0.7172, Adjusted R-squared:  0.716 
## F-statistic: 614.5 on 7 and 1696 DF,  p-value: < 2.2e-16

Bây giờ ta thay đổi hàm map thứ hai thành map_df để trích xuất riêng trị số AIC và công thức mỗi mô hình

mod <- map (formulas, ~ lm(.x, data=gapminder))%>%
  map_df(~ data_frame(formula = format(formula(.x)),
                      AIC=AIC(.x),
                      stringAsFactors=F))

mod

Một thủ thuật khác, đó là nêu trực tiếp tên của thành phần cần trích xuất từ dữ liệu đầu ra của hàm map đi trước (trở thành .x của hàm map đi sau).

gapminder %>% split(.$country) %>% 
  map (.,~ lm(lifeExp ~ year, data=.x))%>%
map(~ summary(.x))%>%
  map_dbl("r.squared")

##              Afghanistan                  Albania                  Algeria 
##               0.94771226               0.91057777               0.98511721 
##                   Angola                Argentina                Australia 
##               0.88781463               0.99556810               0.97964774 
##                  Austria                  Bahrain               Bangladesh 
##               0.99213401               0.96673981               0.98936087 
##                  Belgium                    Benin                  Bolivia 
##               0.99454056               0.96660199               0.98454156 
##   Bosnia and Herzegovina                 Botswana                   Brazil 
##               0.89569829               0.03402340               0.99804741 
##                 Bulgaria             Burkina Faso                  Burundi 
##               0.54654217               0.91871050               0.76599597 
##                 Cambodia                 Cameroon                   Canada 
##               0.63869222               0.68017839               0.99638552 
## Central African Republic                     Chad                    Chile 
##               0.49324448               0.87237550               0.98279710 
##                    China                 Colombia                  Comoros 
##               0.87127734               0.96787344               0.99685076 
##         Congo, Dem. Rep.              Congo, Rep.               Costa Rica 
##               0.34820278               0.51966079               0.96174767 
##            Cote d'Ivoire                  Croatia                     Cuba 
##               0.28337240               0.93243047               0.92406716 
##           Czech Republic                  Denmark                 Djibouti 
##               0.91668191               0.97066797               0.97437134 
##       Dominican Republic                  Ecuador                    Egypt 
##               0.97060781               0.99456626               0.99030424 
##              El Salvador        Equatorial Guinea                  Eritrea 
##               0.95567201               0.99686864               0.95727334 
##                 Ethiopia                  Finland                   France 
##               0.96850263               0.99383835               0.99762458 
##                    Gabon                   Gambia                  Germany 
##               0.81276621               0.98923562               0.98950568 
##                    Ghana                   Greece                Guatemala 
##               0.98409873               0.97196085               0.99666377 
##                   Guinea            Guinea-Bissau                    Haiti 
##               0.97831518               0.98455829               0.98761338 
##                 Honduras         Hong Kong, China                  Hungary 
##               0.97730026               0.97230183               0.79501875 
##                  Iceland                    India                Indonesia 
##               0.97032657               0.96843652               0.99711418 
##                     Iran                     Iraq                  Ireland 
##               0.99501535               0.54578420               0.98414574 
##                   Israel                    Italy                  Jamaica 
##               0.99478290               0.99336612               0.80565904 
##                    Japan                   Jordan                    Kenya 
##               0.95959563               0.96975008               0.44255729 
##         Korea, Dem. Rep.              Korea, Rep.                   Kuwait 
##               0.70306306               0.98765101               0.95235423 
##                  Lebanon                  Lesotho                  Liberia 
##               0.94172582               0.08485635               0.51175640 
##                    Libya               Madagascar                   Malawi 
##               0.98333149               0.99465364               0.83995446 
##                 Malaysia                     Mali               Mauritania 
##               0.94650639               0.99545140               0.99767430 
##                Mauritius                   Mexico                 Mongolia 
##               0.93478457               0.98520444               0.98731309 
##               Montenegro                  Morocco               Mozambique 
##               0.80186521               0.99458312               0.77427932 
##                  Myanmar                  Namibia                    Nepal 
##               0.87937750               0.43702163               0.99154171 
##              Netherlands              New Zealand                Nicaragua 
##               0.98221566               0.95358464               0.99677615 
##                    Niger                  Nigeria                   Norway 
##               0.89768664               0.87010508               0.96290057 
##                     Oman                 Pakistan                   Panama 
##               0.97479461               0.99724965               0.95119516 
##                 Paraguay                     Peru              Philippines 
##               0.98298650               0.98847401               0.99142260 
##                   Poland                 Portugal              Puerto Rico 
##               0.83966315               0.96903508               0.90781912 
##                  Reunion                  Romania                   Rwanda 
##               0.96607180               0.80556666               0.01715964 
##    Sao Tome and Principe             Saudi Arabia                  Senegal 
##               0.95525936               0.97208439               0.99054417 
##                   Serbia             Sierra Leone                Singapore 
##               0.87880538               0.96015054               0.98794751 
##          Slovak Republic                 Slovenia                  Somalia 
##               0.79174822               0.96604327               0.84442863 
##             South Africa                    Spain                Sri Lanka 
##               0.31246865               0.96489456               0.94771469 
##                    Sudan                Swaziland                   Sweden 
##               0.99214243               0.06821087               0.99548216 
##              Switzerland                    Syria                   Taiwan 
##               0.99739086               0.98416512               0.95707113 
##                 Tanzania                 Thailand                     Togo 
##               0.76421876               0.96738440               0.90580373 
##      Trinidad and Tobago                  Tunisia                   Turkey 
##               0.79800744               0.98070422               0.98533264 
##                   Uganda           United Kingdom            United States 
##               0.34215382               0.98443596               0.98592016 
##                  Uruguay                Venezuela                  Vietnam 
##               0.97683072               0.94652607               0.98941189 
##       West Bank and Gaza              Yemen, Rep.                   Zambia 
##               0.97048087               0.98117240               0.05983644 
##                 Zimbabwe 
##               0.05623196

2.4 Thực hiện quy trình bất kì trên hàng loạt mẫu

Trong thí dụ minh họa tiếp theo, Nhi sẽ dùng dữ liệu cigarette , với nội dung diễn tiến giá bán lẻ thuốc lá tại 49 bang của Mỹ từ năm 1962 đến 1992.

library(gamlss)

## Loading required package: splines

## Loading required package: gamlss.data

## Loading required package: gamlss.dist

## Loading required package: MASS

## 
## Attaching package: 'MASS'

## The following object is masked from 'package:dplyr':
## 
##     select

## Loading required package: nlme

## 
## Attaching package: 'nlme'

## The following object is masked from 'package:dplyr':
## 
##     collapse

## Loading required package: parallel

##  **********   GAMLSS Version 5.1-0  **********

## For more on GAMLSS look at http://www.gamlss.org/

## Type gamlssNews() to see new features/changes/bug fixes.

nC<-detectCores()

cigarette=read.csv("https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/plm/Cigar.csv")

cigarette$state=factor(cigarette$state)
cigarette$year=factor(cigarette$year-62)

cigarette

Như ta biết, package gamlss có hàm fitDist cho phép thăm dò và xác định tự động family (họ phân phối) phù hợp nhất cho một vector biến kết quả. Bây giờ Nhi sẽ thực hiện quy trình này cho dữ liệu của từng bang (state) trong số 49 bang.

Nhi sử dụng 3 hàm map liên tiếp, hàm map thứ nhất thi hành hàm fitDist cho dữ liệu của mỗi bang trong danh sách 49 bang, theo thứ tự từ 1 đến 49, bộ phận .x do đó được đưa vào data của hàm fitDist, kết quả xuất ra là 1 list - tiếp tục đi vào hàm map thứ hai, có mục tiêu thi hành hàm summary, kết quả xuất ra cũng là 1 list và đi tiếp vào hàm map thứ 3 có bản chất là măpdf để xuất ra kết quả là 1 dataframe, bao gồm: độ tự do df, trung vị Mu, AIC, BIC của mô hình tối ưu, và tên phân phối tối ưu được chọn…

## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.678352    0.018042 259.3036 < 2.22e-16 ***
## eta.sigma  2.512718    0.147394  17.0476 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     224.807 
##             AIC:     228.807 
##             SBC:     231.61 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7320342   0.0188179 251.4646 < 2.22e-16 ***
## eta.sigma 2.4586170   0.1496169  16.4327 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     233.302 
##             AIC:     237.302 
##             SBC:     240.104 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7888370   0.0149126 321.1268 < 2.22e-16 ***
## eta.sigma 2.5587557   0.1484018  17.2421 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     226.204 
##             AIC:     230.204 
##             SBC:     233.006 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error   t value   Pr(>|t|)    
## eta.mu     4.8745447   0.0431458 112.97834 < 2.22e-16 ***
## eta.sigma -2.4628458   0.3477841  -7.08154 1.4257e-12 ***
## eta.nu    27.5213998  21.8974387   1.25683    0.20881    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     256.405 
##             AIC:     262.405 
##             SBC:     266.609 
## *******************************************************************
## Family:  c("IG", "Inverse Gaussian") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.7712491   0.0277281 172.0727 < 2.22e-16 ***
## eta.sigma -4.2703330   0.1290993 -33.0779 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     257.302 
##             AIC:     261.302 
##             SBC:     264.105 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     5.014350    0.016828 297.9769 < 2.22e-16 ***
## eta.sigma  2.577347    0.140682  18.3204 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     240.032 
##             AIC:     244.032 
##             SBC:     246.834 
## *******************************************************************
## Family:  c("IG", "Inverse Gaussian") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     5.1012070   0.0677332  75.3132 < 2.22e-16 ***
## eta.sigma -3.5421818   0.1290994 -27.4376 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     325.936 
##             AIC:     329.936 
##             SBC:     332.738 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8392658   0.0119944 403.4620 < 2.22e-16 ***
## eta.sigma 2.9228997   0.1518323  19.2508 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     213.514 
##             AIC:     217.514 
##             SBC:     220.316 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8192445   0.0132239 364.4331 < 2.22e-16 ***
## eta.sigma 2.6786791   0.1487585  18.0069 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     221.253 
##             AIC:     225.253 
##             SBC:     228.055 
## *******************************************************************
## Family:  c("GA", "Gamma") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.6522128   0.0246736 188.5500 < 2.22e-16 ***
## eta.sigma -2.0014216   0.1287082 -15.5501 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     243.817 
##             AIC:     247.817 
##             SBC:     250.619 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8851209   0.0166953 292.6039 < 2.22e-16 ***
## eta.sigma 2.4384137   0.1498708  16.2701 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     240.763 
##             AIC:     244.763 
##             SBC:     247.565 
## *******************************************************************
## Family:  c("exGAUS", "ex-Gaussian") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    129.803083    1.413792  91.8120 < 2.22e-16 ***
## eta.sigma   1.011647    0.373343   2.7097  0.0067345 ** 
## eta.nu      2.511244    0.211756  11.8591 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     222.245 
##             AIC:     228.245 
##             SBC:     232.448 
## *******************************************************************
## Family:  c("GA", "Gamma") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.7160256   0.0162293 290.5870 < 2.22e-16 ***
## eta.sigma -2.4203378   0.1289297 -18.7725 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     222.719 
##             AIC:     226.719 
##             SBC:     229.522 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7247147   0.0210104 224.8750 < 2.22e-16 ***
## eta.sigma 2.3540751   0.1451257  16.2209 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     236.075 
##             AIC:     240.075 
##             SBC:     242.877 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    5.1941539   0.0330977 156.9339 < 2.22e-16 ***
## eta.sigma 1.8684452   0.1454744  12.8438 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     293 
##             AIC:     297 
##             SBC:     299.802 
## *******************************************************************
## Family:  c("IG", "Inverse Gaussian") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.8204697   0.0184704 260.9835 < 2.22e-16 ***
## eta.sigma -4.7012206   0.1290994 -36.4155 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     236.447 
##             AIC:     240.447 
##             SBC:     243.249 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8962446   0.0108815 449.9615 < 2.22e-16 ***
## eta.sigma 3.0323124   0.1505075  20.1472 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     208.719 
##             AIC:     212.719 
##             SBC:     215.521 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8652046   0.0156605 310.6672 < 2.22e-16 ***
## eta.sigma 2.5076148   0.1411398  17.7669 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     233.06 
##             AIC:     237.06 
##             SBC:     239.862 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8270212   0.0158553 304.4428 < 2.22e-16 ***
## eta.sigma 2.4966853   0.1381146  18.0769 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     230.531 
##             AIC:     234.531 
##             SBC:     237.334 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.8962239   0.0102083 479.6302 < 2.22e-16 ***
## eta.sigma 2.9329448   0.1491804  19.6604 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     212.292 
##             AIC:     216.292 
##             SBC:     219.095 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error   t value   Pr(>|t|)    
## eta.mu     4.7644634   0.0225723 211.07595 < 2.22e-16 ***
## eta.sigma -3.3918055   0.4984380  -6.80487 1.0114e-11 ***
## eta.nu    91.7033919  99.4415651   0.92218    0.35643    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     210.745 
##             AIC:     216.745 
##             SBC:     220.948 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.686041    0.022751 205.9704 < 2.22e-16 ***
## eta.sigma  2.268052    0.150879  15.0322 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     240.849 
##             AIC:     244.849 
##             SBC:     247.652 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.90985083  0.00815776 601.8627 < 2.22e-16 ***
## eta.sigma 3.16131037  0.14712482  21.4873 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     198.492 
##             AIC:     202.492 
##             SBC:     205.294 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##              Estimate  Std. Error   t value   Pr(>|t|)    
## eta.mu      4.8162529   0.0308838 155.94734 < 2.22e-16 ***
## eta.sigma  -3.2305008   0.6007949  -5.37704 7.5719e-08 ***
## eta.nu     86.7373855 111.8904213   0.77520    0.43822    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     227.122 
##             AIC:     233.122 
##             SBC:     237.325 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##               Estimate   Std. Error   t value   Pr(>|t|)    
## eta.mu     4.77364e+00  4.24935e-04 11233.795 < 2.22e-16 ***
## eta.sigma -5.08788e+00  9.20134e-02   -55.295 < 2.22e-16 ***
## eta.nu     2.65734e+03  1.99990e+00  1328.738 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     202.552 
##             AIC:     208.552 
##             SBC:     212.756 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error   t value   Pr(>|t|)    
## eta.mu     5.300845    0.032750 161.85802 < 2.22e-16 ***
## eta.sigma -2.734997    0.368325  -7.42549 1.1235e-13 ***
## eta.nu    47.177242   37.264839   1.26600    0.20551    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     277.377 
##             AIC:     283.377 
##             SBC:     287.58 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     5.469859    0.032100 170.4008 < 2.22e-16 ***
## eta.sigma  1.896078    0.152184  12.4591 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     310.375 
##             AIC:     314.375 
##             SBC:     317.177 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7922560   0.0196999 243.2631 < 2.22e-16 ***
## eta.sigma 2.4083370   0.1407532  17.1104 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     237.4 
##             AIC:     241.4 
##             SBC:     244.202 
## *******************************************************************
## Family:  c("GB2", "Generalized beta 2 (i.e. of the second kind)") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.7947628   0.0906771 52.87733 < 2.22e-16 ***
## eta.sigma  4.7345252   0.5774689  8.19875 2.2204e-16 ***
## eta.nu    -2.6185392   0.5787524 -4.52445 6.0551e-06 ***
## eta.tau   17.3487596   0.6428190 26.98856 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 4 Residual Deg. of Freedom   26 
## Global Deviance:     209.129 
##             AIC:     217.129 
##             SBC:     222.733 
## *******************************************************************
## Family:  c("BCPE", "Box-Cox Power Exponential") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##              Estimate  Std. Error     t value   Pr(>|t|)    
## eta.mu    123.3000000   0.0115292 10694.60014 < 2.22e-16 ***
## eta.sigma  -2.1019733   0.3909176    -5.37702 7.5727e-08 ***
## eta.nu      3.5091132   2.9358629     1.19526    0.23199    
## eta.tau    -0.5380959   0.3830909    -1.40462    0.16014    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 4 Residual Deg. of Freedom   26 
## Global Deviance:     231.916 
##             AIC:     239.916 
##             SBC:     245.521 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7068201   0.0234847 200.4208 < 2.22e-16 ***
## eta.sigma 2.1056607   0.1440617  14.6164 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     246.023 
##             AIC:     250.023 
##             SBC:     252.826 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.83940561  0.00934888 517.6452 < 2.22e-16 ***
## eta.sigma 3.18945706  0.14378252  22.1825 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     193.358 
##             AIC:     197.358 
##             SBC:     200.161 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7923612   0.0262064 182.8700 < 2.22e-16 ***
## eta.sigma 2.1171570   0.1453969  14.5612 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     254.579 
##             AIC:     258.579 
##             SBC:     261.381 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7772823   0.0114656 416.6616 < 2.22e-16 ***
## eta.sigma 2.8199982   0.1467386  19.2178 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     210.571 
##             AIC:     214.571 
##             SBC:     217.373 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error   t value Pr(>|t|)    
## eta.mu     4.9866996   0.0202402 246.37641  < 2e-16 ***
## eta.sigma -2.9865294   0.2696834 -11.07420  < 2e-16 ***
## eta.nu    45.5499272  27.4557659   1.65903  0.09711 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     234.644 
##             AIC:     240.644 
##             SBC:     244.847 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##              Estimate  Std. Error   t value   Pr(>|t|)    
## eta.mu      4.9195697   0.0272504 180.53186 < 2.22e-16 ***
## eta.sigma  -3.3154484   0.6329963  -5.23771 1.6259e-07 ***
## eta.nu    126.1253087 165.5200846   0.76199    0.44606    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     241.537 
##             AIC:     247.537 
##             SBC:     251.741 
## *******************************************************************
## Family:  c("GA", "Gamma") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.6374115   0.0160103 289.6520 < 2.22e-16 ***
## eta.sigma -2.4339249   0.1289342 -18.8773 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     217.191 
##             AIC:     221.191 
##             SBC:     223.994 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.813292    0.012137 396.5809 < 2.22e-16 ***
## eta.sigma  2.763167    0.149888  18.4349 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     216.49 
##             AIC:     220.49 
##             SBC:     223.292 
## *******************************************************************
## Family:  c("WEI", "Weibull") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.7638777   0.0183385 259.7751 < 2.22e-16 ***
## eta.sigma 2.3461470   0.1473029  15.9274 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     237.974 
##             AIC:     241.974 
##             SBC:     244.777 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.2182511   0.0210907 200.0050 < 2.22e-16 ***
## eta.sigma 2.3472225   0.1452416  16.1608 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     206.524 
##             AIC:     210.524 
##             SBC:     213.326 
## *******************************************************************
## Family:  c("GG", "generalised Gamma Lopatatsidis-Green") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##               Estimate   Std. Error   t value   Pr(>|t|)    
## eta.mu     4.79623e+00  7.89645e-04  6073.912 < 2.22e-16 ***
## eta.sigma -4.79344e+00  9.02125e-02   -53.135 < 2.22e-16 ***
## eta.nu    -2.11826e+03  6.10296e-01 -3470.870 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 3 Residual Deg. of Freedom   27 
## Global Deviance:     241.279 
##             AIC:     247.279 
##             SBC:     251.482 
## *******************************************************************
## Family:  c("GA", "Gamma") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.9003987   0.0196712 249.1152 < 2.22e-16 ***
## eta.sigma -2.2279998   0.1288503 -17.2914 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     245.247 
##             AIC:     249.247 
##             SBC:     252.05 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.560228    0.015302 298.0152 < 2.22e-16 ***
## eta.sigma  2.671412    0.134667  19.8372 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     205.687 
##             AIC:     209.687 
##             SBC:     212.489 
## *******************************************************************
## Family:  c("IGAMMA", "Inverse Gamma") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##             Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu     4.7322002   0.0133658 354.0517 < 2.22e-16 ***
## eta.sigma -2.6196653   0.1289854 -20.3098 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     212.418 
##             AIC:     216.418 
##             SBC:     219.22 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.6869925   0.0115867 404.5133 < 2.22e-16 ***
## eta.sigma 2.9681738   0.1416353  20.9565 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     196.772 
##             AIC:     200.772 
##             SBC:     203.574 
## *******************************************************************
## Family:  c("WEI3", "Weibull type 3") 
## 
## Call:  gamlssML(formula = y, family = DIST[i], parallel = "multicore",  
##     ncpus = ..2, data = sys.parent()) 
## 
## Fitting method: "nlminb" 
## 
## 
## Coefficient(s):
##            Estimate  Std. Error  t value   Pr(>|t|)    
## eta.mu    4.9161180   0.0261003  188.355 < 2.22e-16 ***
## eta.sigma 2.1220452   0.1427643   14.864 < 2.22e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Degrees of Freedom for the fit: 2 Residual Deg. of Freedom   28 
## Global Deviance:     260.844 
##             AIC:     264.844 
##             SBC:     267.646

scan_list

3 Kết luận

package purrr cung cấp nhiều chiêu thức lợi hại khi lập trình hàm.

Các bạn nên thay thế vòng lặp for loop bằng hàm map.

Việc sử dụng hàm map không chỉ rút gọn cú pháp của vòng lặp mà còn nâng cao tốc độ tính toán khi làm việc với dữ liệu lớn. Một ưu điểm khác mà ít người nhận ra : hàm map cho phép đồng bộ với các « pipelines » của những packages thuộc hệ sinh thái tidyverse (dplyr, broom, ggplot2…) cũng như tương thích với những packages của bộ đôi H. Wickham-Max Kuhn như recipes, rsamples… , cho phép thực hiện quy trình liên tục, trôi chảy.

Tạm biệt các bạn nhé …và hẹn gặp lại !