Multivariate latin hypercube sampling in r

Selbst fГјr kleine StichprobenumfГ¤nge kГ¶nnen dabei schon optimale PlГ¤ne erzielt werden. In dieser Arbeit wird eine Methode beschrieben, den absoluten Fehler zwischen dem tatsГ¤chlichen und dem korrelierenden Stichprobenpaar so klein wie mГ¶glich zu halten. HerkГ¶mmliche Vorgehensweisen benutzen ausgefeilte, geschichtete Stichprobenverfahren, die jedoch Fehler bei der Bestimmung von Varianz und Kovarianz, aufgrund der Korrelation der Stichprobenpaare, beinhalten kГ¶nnen. Es stellt sich die Frage, welche Werte in jedem Lauf den Variablen zuzuordnen sind. Anwendungen finden sich in Modellen, in denen erforderliche Variablenumformungen nicht mГ¶glich sind und in denen die Zahl der SimulationslГ¤ufe aus zeitlichen GrГјnden gering zu halten oder fixiert ist. Lateinische HyperwГјrfel Stichprobenverfahren (LHS) dienen dazu, in geeigneter Weise die Verteilungsfunktion (zumindest angenГ¤hert) der Funktionswerte einer komplexen (impliziten) Funktion, in AbhГ¤ngigkeit ihrer Variablen werte, zu schГ¤tzen.

When it does not, we provide a hybrid lagrangian/heuristic method, which empirically has found the optimal solution for all cases tested. This heuristic generally finds plans which match the correlation structure exactly. We consider the characteristics of permutation matrices which minimize the sum of correlations between column pairs and then present an effective heuristic for solution. We show that optimal plans can be obtained for even small sample sizes. In this work, we offer a strategy which provides a sampling specification minimizing the sum of the absolute values of the pairwise differences between the true and sampled correlation pairs. Classical approaches to hypercube sampling have used sophisticated stratified sampling techniques but such sampling may provide incorrect measures of the output parameters' variances or covariances due to correlation between the sampling pairs. The typical application involves a computer-based model in which it is largely impossible to find a way (closed form or numerical) to do the necessary transformation of variables and where it is expensive to run in terms of computing resources and time. The objective of Latin Hypercube Sampling is to determine an effective procedure for sampling from a (possibly correlated) multivariate population to estimate the distribution function (or at least a significant number of moments) of a complicated function of its variables.

Multivariate latin hypercube sampling in r