У меня есть модель вида: у = х + шум. Я знаю распределение «y» и шума и хотел бы получить распределение «x». Итак, я попытался выполнить деконволюцию дистрибутивов с помощью R. Я нашел 2 пакета (decon и deamer), и я подумал, что оба метода должны сделать более или менее одинаковыми, но я не понимаю, почему деконволюция с помощью DeconPdf дает мне что-то вроде нормального дистрибутива и деконволюция с помощью deamerKE дает мне равномерное распределение. Вот пример кода:
library(fitdistrplus) # for rweibull
library(decon) # for DeconPdf
library(deamer) # for deamerKE
set.seed(12345)
y <- rweibull(10000, shape=5.780094, scale=0.00204918)
noise <- rnorm(10000, mean=0.002385342, sd=0.0004784688)
sdnoise <- sd(noise)
est <- deamerKE(y, noise.type="Gaussian",
mean(noise), sigma=sdnoise)
plot(est)
estDecon <- DeconPdf(y, sdnoise, error="normal", fft=TRUE)
plot(estDecon)
Изменить (в ответ на Жюльена Штирнемана):
Я не уверен в повторной параметризации. Моя реальная проблема такова: у меня есть время реакции (RT), которое теоретически можно описать как f(RT) = g(время различения) + h(время выбора), где f,g и h могут быть преобразованиями этих временных значений. У меня есть значения «RT» и «время дискриминации» в моем наборе данных. И меня интересует время выбора или, может быть, h (время выбора). С оценкой плотности ядра я обнаружил, что распределение Вейбулла лучше всего соответствует значениям 1/RT, в то время как нормальное распределение лучше всего соответствует 1/(время дискриминации). Вот почему я могу записать свою проблему как 1/RT = 1/(время различения) + h(время выбора) или y = x + шум (где я считал шум равным 1/(время различения)). Моделирование этих времен реакции дало мне следующее распределение со следующими параметрами:
y <- rweibull(10000, shape=5.780094, scale=0.00204918)
noise <- rnorm(10000, mean=0.002385342, sd=0.0004784688)
Что вы имеете в виду под повторной параметризацией? Использование разных значений, например. для параметра шкалы?