Taks views pada CRAN bertujuan untuk memberikan beberapa panduan tentang

paket pada CRAN yang relevan untuk tugas-tugas yang berkaitan dengan topik
tertentu. CRAN memberikan gambaran singkat tentang paket yang disertakan dan
dapat diinstal secara otomatis menggunakan paket ctv. Artinya, menu package dan
menu taks view merupakan sesuatu hal yang berbeda. Taks wiew ini mendeskripsikan
package-package yang ada di program R sehingga sebelum menginstal package kita
melihat terlebih dahulu kegunaan dari package itu sendiri melalui taks views.

Beberapa topik terkait package-package sebagai berikut:

1. BAYESIAN

Peneliti terapan yang tertarik pada statistik Bayesian akan tertarik juga dengan R
karena kemudahan yang dapat dikodekan melalui algoritma untuk sampel dari
distribusi posterior serta sejumlah paket signifikan yang berkontribusi pada
Comprehensive R Archive Network (CRAN) yang menyediakan tools untuk inferensi
Bayesian. Tampilan tugas ini mengkategorikan alat-alat ini. Dalam taks view ini,
terbagi dalam paket-paket atas empat kelompok berdasarkan ruang lingkup dan fokus
paket.

A. Paket Bayesian untuk pemasangan model umum

1) Paket arm berisi fungsi R untuk inferensi Bayesian dengaan menggunakan lm,
glm, mer dan polr.
2) BACCO adalah paket R untuk analisis Bayesian tentang fungsi acak. BACCO
berisi tiga sub-paket: emulator, calibrator, dan approximator, yang melakukan
emulasi Bayesian dan kalibrasi program komputer.
3) bayesm menyediakan fungsi R untuk inferensi Bayesian untuk berbagai
model yang banyak digunakan dalam pemasaran dan mikro-ekonometrik.
4) bayesSurv berisi fungsi R untuk melakukan inferensi Bayesian untuk model
regresi survival dengan distribusi efek kesalahan dan acak yang fleksibel.
 5) DPpackage berisi fungsi R untuk model Bayesian nonparametric dan
semiparametrik. DPpackage saat ini mencakup model semiparametrik untuk
estimasi kerapatan, analisis kurva ROC, data tersensor interval, model regresi
biner, dan model tipe IRT.

B. Paket Bayesian untuk model atau metode khusus

1) BayesVarSel menghitung faktor Bayes dalam model linier dan kemudian
menyediakan formal Jawaban Bayesian untuk pengujian dan masalah
pemilihan variabel.
2) BayHaz berisi serangkaian fungsi R untuk estimasi tingkat smooth hazard
Bayesian melalui proses Compound Poisson Process (CPP)
3) BAYSTAR menyediakan fungsi untuk estimasi Bayesian dari model
threshold autoregressive.
4) bbemkr mengimplementasikan estimasi bandwidth Bayesian untuk regresi
kernel multivariat tipe Nadaraya-Watson dengan kesalahan Gaussian.
5) BCE berisi fungsi untuk memperkirakan komposisi taksonomi dari data
biomarker menggunakan pendekatan Bayesian.

C. Paket untuk belajar statistik Bayesian

1) AtelieR adalah antarmuka GTK untuk mengajarkan konsep-konsep dasar
dalam kesimpulan statistik, dan melakukan statistik dasar bayesian
(penyimpulan tentang proporsi, hitungan multinomial, mean dan varians).
2) Paket BaM adalah paket R yang terkait dengan buku Jeff Gill, "Bayesian
Methods: A Social and Behavioral Sciences Approach, Second Edition" (CRC
Press, 2007).
3) BayesDA menyediakan fungsi R dan dataset untuk "Bayesian Data Analysis,
Second Edition" (CRC Press, 2003) oleh Andrew Gelman, John B. Carlin, Hal
S. Stern, dan Donald B. Rubin.
4) Paket Bolstad berisi satu set fungsi R dan set data untuk buku Pengantar
Statistik Bayesian, oleh Bolstad, W.M. (2007).
5) Paket LearnBayes berisi kumpulan fungsi yang membantu dalam mempelajari
prinsip dasar inferensi statistik Bayesian. Ini berisi fungsi untuk meringkas
satu dasar dan dua distribusi parameter posterior dan distribusi prediksi dan
algoritma MCMC untuk meringkas distribusi posterior yang didefinisikan
oleh pengguna. Ini juga berisi fungsi untuk model regresi, model hierarkis, tes
Bayesian, dan ilustrasi Gibbs sampling.

2. Chemometrics dan Fisika Komputasi

Chemometrics dan komputasi fisika prihatin dengan analisis data yang

timbul dalam percobaan kimia dan fisika, serta simulasi sistem fisiko-chemico.
Banyak fungsi dalam basis R berguna untuk tujuan ini.

A. Model Regresi Linear

1) Model linear dapat dipasang (melalui OLS) dengan lm () (dari statistik).
Solusi kuadrat terkecil untuk x dalam Ax = b dapat juga dihitung sebagai
qr.coef (qr (A), b).
2) Paket nnls menyediakan sarana membatasi x ke nilai-nilai non-negatif atau
non-positif; paket bvls memungkinkan batasan lain pada x untuk
diterapkan.
3) Fungsi untuk regresi isotonik tersedia dalam paket Iso, dan berguna untuk
menentukan vektor unimodal yang paling dekat dengan vektor yang
diberikan x di bawah kriteria kuadrat terkecil.
4) Model linier heteroskedastik dapat dipasang menggunakan fungsi gls ()
dari paket nlme.
B. Analisis Komponen Utama
1) Analisis komponen utama (PCA) ada di statistik paket sebagai fungsi
princomp (). Beberapa representasi PCA grafis dapat ditemukan dalam
paket psy.
2) Paket homal menyediakan PCA nonlinier dan, dengan mendefinisikan set,
analisis korelasi kanonik nonlinier (model keluarga Gifi). Sejumlah
komponen utama yang kuat dapat dihitung dengan paket pcaPP. Paket
elasticnet berlaku untuk PCA yang jarang. Paket fpca dapat diterapkan
untuk MLE yang dibatasi untuk PCA fungsional.
C. Analisis faktor
D. Analisis Komponen Independen
E. Variable Selection

3. Desain, Monitoring, dan Analisis Uji Klinis

Task view ini mengumpulkan informasi tentang paket R khusus untuk
desain, pemantauan, dan analisis data dari uji klinis. Ini berfokus pada
termasuk paket untuk desain uji klinis dan pemantauan secara umum
ditambah paket analisis data untuk jenis desain tertentu. Juga, memberikan
pengantar singkat untuk paket penting untuk menganalisis data uji klinis.

A. Desain dan Monitoring

1) bcrm Paket ini mengimplementasikan berbagai macam satu dan dua
parameter desain Bayesian CRM. Program ini dapat berjalan secara
interaktif, memungkinkan pengguna untuk memasukkan hasil setelah
setiap kelompok telah direkrut, atau melalui simulasi untuk menilai
karakteristik operasi.
2) blockrand membuat pengacakan untuk uji klinis acak. Ini juga dapat
menghasilkan file PDF kartu pengacakan.
 3) clusterPower Hitung daya untuk percobaan acak kelompok (CRT)
yang membandingkan dua cara, dua proporsi, atau dua hitungan
menggunakan solusi bentuk tertutup. Selain itu, hitung kekuatan untuk
uji coba crossover acak kelompok menggunakan metode Monte Carlo.
Untuk informasi lebih lanjut, lihat Reich dkk. (2012) doi: 10.1371 /
journal.pone.0035564.
4) CRTSize Paket ini berisi alat-alat dasar untuk tujuan estimasi ukuran
sampel dalam cluster (kelompok) percobaan acak.
5) dfcrm Paket ini menyediakan fungsi untuk menjalankan CRM dan
TITE-CRM dalam uji coba fase I dan alat kalibrasi untuk tujuan
perencanaan percobaan.
B. Desain dan Analisis
1) Paket DoseFinding menyediakan fungsi untuk desain dan analisis
eksperimen penemuan dosis (misalnya uji klinis Fase II farmasi). Ini
menyediakan fungsi untuk: beberapa tes kontras, model respons dosis
non-linier, menghitung desain yang optimal dan implementasi
metodologi MCPMod. Saat ini hanya endpoint homospersastik yang
terdistribusi normal yang didukung.
MCPMod Paket ini mengimplementasikan metodologi untuk desain
dan analisis studi dosis-respons yang menggabungkan aspek dari
beberapa prosedur perbandingan dan pendekatan pemodelan (Bretz,
Pinheiro dan Branson, 2005, Biometrics 61, 738-748). Paket ini
menyediakan alat untuk analisis uji coba penemuan dosis serta
berbagai alat yang diperlukan untuk merencanakan percobaan yang
akan dilakukan dengan metodologi MCPMod.
2) Paket TEQR Rentang target ekuivalen (TEQR) desain adalah
implementasi frequentist dari modifikasi interval probabilitas
toksisitas (mTPI) desain dan pesaing dengan desain 3 + 3 standar (3 +
3). The 3 + 3 adalah desain kuda kerja di Fase I. Ini baik untuk
 menentukan apakah suatu dosis yang aman keluar, tetapi memberikan
akurasi yang buruk dan presisi dalam memperkirakan tingkat toksisitas
pada dosis maksimum yang ditolerir (MTD). TEQR lebih baik
daripada 3 + 3 bila dibandingkan pada: 1) berapa kali dosis pada atau
terdekat tingkat toksisitas yang ditargetkan dipilih sebagai MTD, 2)
jumlah subjek yang ditugaskan ke tingkat dosis, di atau terdekat
dengan MTD , dan 3) tingkat uji coba DLT keseluruhan. TEQR lebih
akurat dan lebih tepat memperkirakan tingkat toksisitas pada MTD
karena sejumlah besar subyek dipelajari pada dosis MTD. TEQR rata-
rata menggunakan subjek yang lebih sedikit dan memberikan hasil
yang sebanding dengan metode reasesmen berkelanjutan (CRM)
dalam berapa kali dosis pada atau terdekat tingkat toksisitas yang
ditargetkan dipilih sebagai MTD dan jumlah subjek yang diberi dosis,
pada, atau terdekat target dan dalam tingkat DLT keseluruhan.
3) Paket TigaArmedTrials Merancang dan menganalisis uji non-
inferioritas atau superioritas tiga lengan yang mengikuti desain standar
emas, yaitu percobaan dengan perlakuan eksperimental, aktif, dan
kontrol plasebo

C. Analisis untuk Desain Spesifik

1) Adapts Test Fungsi yang didefinisikan dalam program ini berfungsi
untuk menerapkan tes dua tahap adaptif.
2) Fungsi clinsig ini untuk menghitung baik parametrik dan non-
parametrik dari perkiraan Jacobson-Truax signifikansi klinis.
3) nppbib mengimplementasikan uji statistik nonparametrik untuk data
peringkat atau skor dari eksperimen desain blok yang sebagian tidak
seimbang.
 4) speff2trial, paket melakukan estimasi dan pengujian efek pengobatan
dalam uji klinis acak 2 kelompok dengan endpoint kuantitatif atau
dikotomi.
5) Paket ThreeGroups ini mengimplementasikan estimator Maximum
Likelihood untuk desain tiga grup yang diusulkan oleh Gerber, Green,
Kaplan, dan Kern (2010).

D. Analisis secara Umum

1) Base R, terutama paket statistik, memiliki banyak fungsi yang berguna
untuk desain dan analisis uji klinis. Misalnya, chisq.test, prop.test,
binom.test, t.test, wilcox.test, kruskal.test, mcnemar.test, cor.test,
power.t.test, power.prop.test, power.anova .test, lm, glm, nls, anova
(dan metode lm dan glm) di antara banyak lainnya.
2) asypow memiliki seperangkat rutinitas untuk menghitung daya dan
jumlah yang terkait menggunakan metode rasio kemungkinan
asimtotik.
3) binomSamSize adalah seperangkat fungsi untuk menghitung interval
kepercayaan dan ukuran sampel yang diperlukan untuk parameter
probabilitas keberhasilan distribusi Bernoulli di bawah sampling acak
sederhana atau di bawah pengumpulan sampel.
4) coin menawarkan prosedur inferensi bersyarat untuk masalah
kemandirian umum termasuk dua sampel, K-sampel (non-parametrik
ANOVA), korelasi, disensor, memerintahkan dan masalah multivariat.
5) epibasix memiliki fungsi seperti diffdetect, n4means untuk hasil
berkelanjutan dan n4props dan fungsi untuk analisis pasangan yang
cocok dalam uji coba secara acak

4. Analisis Cluster & Model Campuran Terbatas

 CRAN Task View ini berisi daftar paket yang dapat digunakan untuk
menemukan kelompok dalam data dan pemodelan heterogenitas lintas sektor
yang tidak teramati.

A. Hierarchical Clustering:
1) Fungsi hclust () dari statistik paket dan agnes () dari cluster adalah
fungsi utama untuk pengelompokan hierarchical agglomerative, fungsi
diana () dapat digunakan untuk pengelompokan hierarkis yang
memecah belah. Alternatif yang lebih cepat untuk hclust () disediakan
oleh paket fastcluster dan flashClust.
2) Fungsi dendrogram () dari statistik dan metode terkait dapat digunakan
untuk meningkatkan visualisasi untuk dendrogram cluster.
3) Paket dendextend menyediakan fungsi untuk memudahkan visualisasi
(mewarnai label dan cabang, dll.), Manipulasi (memutar, memangkas,
dll.) Dan perbandingan dendrogram (tangelgram dengan heuristik
untuk rotasi cabang optimal, dan pengukuran korelasi pohon dengan
tes bootstrap dan permutasi untuk makna).
4) Paket dynamicTreeCut berisi metode untuk mendeteksi kluster dalam
dendrogram pengelompokan hierarkis.
5) Paket jin mengimplementasikan algoritma pengelompokan hirarkis
cepat dengan kriteria hubungan yang merupakan varian dari metode
hubungan tunggal yang menggabungkannya dengan pengukuran
ketidaksetaraan Gini untuk memperkuat metode penghubung sambil
mempertahankan efisiensi komputasi untuk memungkinkan
penggunaan kumpulan data yang lebih besar.
B. Partisi Clustering:
1) Paket clusterSim memungkinkan untuk mencari prosedur
pengelompokan optimal untuk dataset tertentu.
2) Paket clustMixType menerapkan ekstensi k-prototipe Huang dari k-
means untuk data jenis campuran.
Paket evclust mengimplementasikan berbagai algoritme
pengelompokan yang menghasilkan partisi kredensial, yaitu
sekumpulan fungsi massa Dempster-Shafer yang mewakili
keanggotaan objek ke kluster.
3) Paket flexclust menyediakan algoritma klaster k-centroid untuk
pengukuran jarak sewenang-wenang, pembelajaran kompetitif keras,
gas syaraf dan QT clustering. Grafik lingkungan dan plot gambar
partisi tersedia untuk visualisasi. Beberapa fungsi ini juga disediakan
oleh paket cclust.
4) Paket kernlab menyediakan versi kernel terbobot dari algoritma k-
means oleh kkmeans dan pengelompokan spektral berdasarkan
spesifikasi.
C. Model-Based Clustering:
 Estimasi ML:
1) Fitting campuran terbatas dari campuran skala uni dan multivariat dari
distribusi condong-normal dengan algoritma EM disediakan oleh
mixsms paket.
2) Paket Moeclust cocok dengan campuran multivariat Gaussian yang
terbatas dan terbatas dari model pakar melalui algoritma EM. Kovariat
dapat mempengaruhi proporsi pencampuran dan / atau kepadatan
komponen dan semua 14 parameterarisasi kovarian dibatasi dari paket
mclust diimplementasikan.
 3) Paket movMF cocok dengan campuran terbatas distribusi von Mises-
Fisher dengan algoritma EM.
4) mritc menyediakan alat untuk klasifikasi menggunakan model
campuran normal dan (resolusi lebih tinggi) tersembunyi Markov
model campuran normal yang dipasang oleh berbagai metode.
5) prabclus mengelompokkan objek matriks kehadiran-ketiadaan dengan
menghitung MDS dari jarak, dan menerapkan kemungkinan
maksimum campuran Gaussian mengelompok ke titik-titik MDS.

 Estimasi Bayesian:
1) Paket bayesmix menyediakan estimasi Bayesian menggunakan JAGS.
2) Paket bclust memungkinkan pengelompokan Bayesian menggunakan
model hierarki spike-and-slab dan cocok untuk mengelompokkan data
berdimensi tinggi.
3) Paket Bmix menyediakan Bayesian Sampling untuk campuran stick-
breaking.
4) Paket bmixture memberikan estimasi Bayesian dari campuran terbatas
dari Gamma univariat dan distribusi normal.
5) Paket dpmixsim cocok dengan model campuran proses Dirichlet
menggunakan model konjugat dengan struktur normal. Paket profdpm
menentukan estimasi posterior maksimum untuk model partisi produk
di mana campuran proses Dirichlet adalah kasus spesifik di kelas.

5. Persamaan Diferensial
Persamaan diferensial (DE) adalah persamaan matematika yang
menggambarkan bagaimana suatu kuantitas berubah sebagai fungsi dari satu
atau beberapa variabel (independen), sering kali waktu atau ruang. Persamaan
diferensial memainkan peran penting dalam biologi, kimia, fisika, teknik,
ekonomi dan disiplin lainnya.
A. Persamaan Diferensial Stokastik (SDEs)
Dalam persamaan diferensial stokastik, kuantitas yang tidak diketahui
adalah proses stokastik.
1) Paket sde menyediakan fungsi untuk simulasi dan penyimpulan untuk
persamaan diferensial stokastik. Ini adalah paket yang menyertainya
ke buku oleh Iacus (2008).
2) Paket pomp berisi fungsi untuk penyimpulan statistik untuk proses
Markov yang diamati sebagian.
3) Paket adaptivetau dan GillespieSSA menerapkan algoritma simulasi
stochastic "tepat" Gillespie (metode langsung) dan beberapa metode
perkiraan.
4) Paket Sim.DiffProc menyediakan fungsi untuk simulasi persamaan
stochastic diferensial Ito dan Stratonovitch.
5) Paket QPot menganalisis sistem 2-dimensi persamaan diferensial
stokastik menggunakan analisis kuasi-potensial.

B. Persamaan Diferensial Biasa (ODE)

Dalam ODE, kuantitas yang tidak diketahui adalah fungsi dari variabel
independen tunggal. Beberapa paket menawarkan untuk menyelesaikan ODE.
1) Paket "odesolve" adalah yang pertama untuk menyelesaikan
persamaan diferensial biasa di R. Itu berisi dua metode integrasi. Itu
tidak aktif dipelihara dan telah digantikan oleh paket deSolve.
2) Paket deSolve berisi beberapa pemecah untuk menyelesaikan ODE.
Dapat menangani masalah yang kaku dan tidak kaku.
3) Paket deTestSet berisi pemecah yang dirancang untuk menyelesaikan
persamaan yang sangat kaku.
 4) Paket odeintr menghasilkan dan mengkompilasi pemecah ODE C +
dengan cepat menggunakan Rcpp dan Boost odeint.
5) Paket pracma mengimplementasikan beberapa pemecah Runge-Kutta
adaptif seperti algoritma Burlisch-Stoer untuk mendapatkan solusi
numerik untuk ODE dengan akurasi yang lebih tinggi.

6. Distribusi Peluang

Untuk sebagian besar distribusi klasik, basis R menyediakan fungsi distribusi

probabilitas (p), fungsi kepadatan (d), fungsi kuantil (q), dan pembangkitan
bilangan acak (r). Di luar fungsi dasar ini, banyak paket CRAN menyediakan
distribusi berguna tambahan. Secara khusus, distribusi multivariat dan juga
copulas tersedia dalam paket kontribusi.

7. Ekonometri

Pada dasarnya program R memiliki banyak fungsi yang berguna untuk

ekonometri komputasi, khususnya dalam paket statistik. Fungsi ini dilengkapi
dengan banyak paket pada CRAN, gambaran singkat diberikan di bawah ini. Ada
juga banyak alat untuk ekonometri dalam pandangan ini dan orang-orang dalam
pandangan tugas pada Keuangan, Ilmu Sosial, dan Time Series. Selain itu, SIG
Keuangan adalah milis yang sesuai untuk mendapatkan bantuan dan
mendiskusikan pertanyaan tentang keuangan komputasi dan ekonometrik.

A. Regresi linear dasar

 1) Kesalahan standar yang kuat: matriks kovarians HC dan HAC tersedia
dalam sandwich dan dapat dicolokkan ke fungsi inferensi yang
disebutkan di atas.
2) Perbandingan model nonnested: Berbagai tes untuk membandingkan
model linier non-nested tersedia dalam lmtest (meliputi pengujian, uji
J, uji Cox). Uji Vuong untuk membandingkan model non-nested
lainnya disediakan oleh nonnest2 (dan khusus untuk menghitung
regresi data dalam pscl)
3) Pemeriksaan diagnostik: Paket mobil dan lmtest menyediakan banyak
koleksi diagnosa regresi dan tes diagnostik.

B. Variabel instrumental
1) Data panel: Model IV dasar tertentu untuk data panel juga dapat
diperkirakan dengan fungsi 2SLS standar (lihat di atas). Model data panel
IV khusus disediakan oleh ivfixed (efek tetap) dan ivpanel (antara dan
efek acak).

C. Data dan model runtun waktu

1) Model deret waktu klasik: Model autoregresif sederhana dapat
diperkirakan dengan pemodelan ar () dan ARIMA dan analisis Box-
Jenkins dapat dilakukan dengan arima () (keduanya dalam paket
statistik). Versi yang disempurnakan dari arima () dalam perkiraan.
2) Model regresi linier: Sebuah antarmuka kenyamanan untuk lm () untuk
memperkirakan model OLS dan 2SLS berdasarkan data time series
adalah dynlm. Model regresi linier dengan istilah kesalahan AR
melalui GLS dimungkinkan menggunakan gls () dari nlme.
 3) Model deret waktu struktural: Model standar dapat dilengkapi dengan
StructTS () dalam statistik. Paket lebih lanjut dibahas dalam tampilan
tugas TimeSeries.

D. Miscellaneous
1) Manipulasi matriks: Sebagai bahasa berbasis vektor dan matriks, basis
R kapal dengan banyak alat yang kuat untuk melakukan manipulasi
matriks, yang dilengkapi dengan paket Matrix dan SparseM.
2) Optimasi dan pemrograman matematis: R dan banyak paket kontribusi
menyediakan banyak fungsi khusus untuk menyelesaikan masalah
pengoptimalan tertentu, misalnya, dalam regresi seperti yang dibahas
di atas. Fungsionalitas lebih lanjut untuk menyelesaikan masalah
pengoptimalan yang lebih umum, misalnya, kemungkinan
maksimalisasi, dibahas dalam tampilan tugas Optimasi.
3) Bootstrap: Selain paket boot yang disarankan, ada beberapa teknik
bootstrapping umum lainnya yang tersedia di bootstrap atau
simpleboot serta beberapa teknik bootstrap yang dirancang untuk data
time-series, seperti bootstrap entropi maksimum di meboot atau
tsbootstrap () dari tseries.

8. Analisis Data Ekologis dan Lingkungan

Taks Views ini ini berisi informasi tentang penggunaan R untuk menganalisi data
ekologi dan lingkungan

9. Desain Eksperimen (DoE) & Analisis Data Eksperimental

Taks Views ini mengumpulkan informasi tentang paket R untuk desain
eksperimental dan analisis data dari eksperimen.
Desain eksperimental diterapkan di banyak bidang, dan metode telah
disesuaikan dengan kebutuhan berbagai bidang. Tampilan tugas ini dimulai
dengan bagian di area aplikasi yang paling awal secara historis, eksperimen
pertanian. Selanjutnya, ini mencakup paket yang paling umum, berlanjut
dengan bagian spesifik pada eksperimen industri, eksperimen komputer, dan
eksperimentasi dalam konteks uji klinis.
A. Desain eksperimental untuk percobaan pemuliaan pertanian dan tanaman
1) Paket agricolae adalah paket yang paling banyak digunakan dari
tampilan tugas ini (status: Oktober 2017). Ini menawarkan fungsi yang
luas pada desain eksperimental terutama untuk percobaan pemuliaan
pertanian dan tanaman, yang juga dapat berguna untuk tujuan lain. Ini
mendukung perencanaan desain kisi, desain faktorial, desain blok acak
lengkap, desain acak lengkap, (Graeco-) Latin desain persegi, desain
blok yang tidak lengkap dan desain alpha. Ada juga berbagai fasilitas
analisis untuk data eksperimen, mis. prosedur perbandingan
pengobatan dan beberapa tes non-parametrik, tetapi juga beberapa
kemungkinan yang cukup khusus untuk jenis eksperimen tertentu.
Paket desplot dibuat untuk merencanakan tata ruang eksperimen
pertanian. Paket agridat menawarkan repositori besar set data
pertanian yang berguna.

B. Desain eksperimental untuk tujuan umum

1) Paket AlgDesign menciptakan desain faktorial lengkap dengan atau
tanpa variabel kuantitatif tambahan, menciptakan desain campuran
(yaitu, desain di mana tingkat faktor berjumlah 1 = 100%; desain kisi
dibuat hanya) dan menciptakan D-, A-, atau I-optimal desain persis
atau kira-kira, mungkin dengan pemblokiran, menggunakan algoritma
Federov (1972).
Paket skpr juga menyediakan desain optimal (D, I, A, Alias, G, T, atau
E optimal); pemilihan kriteria optimalitas juga dapat digunakan untuk
 pembuatan desain split-plot secara bertahap. Paket ini juga dapat
menilai kekuatan desain dan menampilkan plot diagnostik. Saat ini
(Oktober 2017), algoritma yang digunakan belum didokumentasikan.
2) Paket OptimalDesign juga menghitung unblocked desain D-, A-, atau
I-optimal (mereka menggunakan "IV-optimal" bukan "I-optimal")
tepat atau kira-kira, memperlakukan variabel kuantitatif saja, termasuk
desain campuran; paket ini menggunakan algoritma yang berbeda
(misalnya Atkinson, Donev dan Tobias 2007, Harman dan Filova
2014), beberapa di antaranya bergantung pada ketersediaan perangkat
lunak gurobi (http://www.gurobi.com/, gratis untuk akademisi dan
lembaga akademis) dan paket R yang menyertainya "gurobi" (bukan
CRAN).
3) Paket ICAOD mengimplementasikan "Algoritma Kompetitif
Imperialis untuk Desain Optimal" untuk model nonlinier menurut
Masoudi, Holling dan Wong (2016). Paket LDOD menerapkan desain
D-optimal secara lokal untuk beberapa model linier nonlinier dan
umum, desain paketGLMM desain lokal yang optimal untuk model
Poisson dan paket Poisson yang benar-benar acak atau terblokir
PopED menyediakan desain yang optimal untuk model efek campuran
nonlinier.
Ada berbagai paket lebih lanjut yang berhubungan dengan desain
optimal dari berbagai jenis: Paket rodd menyediakan desain T-optimal,
juga disebut desain diskriminatif yang optimal (Dette, Melas dan
Shpilev 2013, Dette, Melas dan Guchenko 2014), Paket acebayes
menghitung desain Bayesian yang optimal menggunakan sebuah
algoritma pertukaran koordinat perkiraan, paket OBsMD menyediakan
"Objective Bayesian Model Discrimination in Follow-Up Designs"
menurut Consonni dan Deldossi (2015). Paket desain yang lebih
 optimal untuk tujuan yang sangat spesifik tercantum di bagian akhir
tampilan ini.

C. Desain eksperimental untuk eksperimen industri

1) Paket FMC kecil menyediakan desain faktorial dengan jumlah
perubahan tingkat minimal; paket tidak mengambil langkah apa pun
untuk memperhitungkan implikasi statistik yang mungkin
diimplikasikan. Dengan demikian, menggunakan paket ini harus
dianggap sangat berisiko untuk banyak situasi eksperimental, karena
dalam banyak percobaan beberapa variabilitas disebabkan oleh
perubahan level. Untuk situasi seperti itu (dan mereka adalah aturan
daripada pengecualian), meminimalkan perubahan tingkat tanpa
mengambil tindakan pencegahan dalam analisis akan menghasilkan
hasil yang menyesatkan.

D. Desain eksperimental untuk eksperimen komputer

1) Paket MaxPro menyediakan desain proyeksi maksimal seperti yang
diperkenalkan oleh Joseph, Gul dan Ba (2015). Paket SLHD
menyediakan desain hypercube latin yang diiris optimal menurut Ba et
al. (2015), paket sFFLHD menyediakan irisan penuh desain hypercube
latin berdasarkan faktor berdasarkan Duan et al. (2017). Paket simrel
memungkinkan pembuatan desain untuk eksperimen komputer sesuai
dengan strategi penggantian biner Multi-level (MBR) oleh Martens et
al. (2010). Paket minimaxdesign menyediakan desain minimax dan
desain proyeksi minimax menurut Mak and Joseph (2016).

E. Desain eksperimental untuk uji klinis

1) Paket binseqtest menangani uji respons biner lengan tunggal
berurutan.
 2) Paket asd menerapkan desain mulus yang adaptif (lihat misalnya
Parsons dkk. 2012).
3) Paket OptInterim adalah untuk desain dua dan tiga tahap untuk titik
akhir biner jangkapanjang.
4) Paket bcrm dan crmPack menawarkan desain Bayesian CRM.
5) Paket MAMS menawarkan desain untuk multi-arm multi stage studies,
BayesMAMS menyediakan perhitungan ukuran sampel Bayesian
untuk ini.
10. Analisis Nilai Ekstrim
Pemodelan nilai-nilai ekstrim dan estimasi merupakan tantangan penting
dalam berbagai domain aplikasi, seperti lingkungan, hidrologi, keuangan,
ilmu aktuaria, hanya untuk beberapa nama. Pembatasan pada analisis nilai
ekstrim dapat dibenarkan karena bagian ekstrim dari sampel dapat menjadi
sangat penting. Artinya, itu mungkin menunjukkan potensi risiko yang lebih
besar seperti konsentrasi tinggi polutan udara, banjir, ukuran klaim ekstrim,
guncangan harga di empat topik sebelumnya masing-masing. Analisis statistik
ekstrim dapat menyebar dalam banyak paket tergantung pada topik aplikasi.
Dalam tampilan tugas ini, kami menyajikan paket-paket dari sisi metodologis.
Aplikasi teori nilai ekstrim dapat ditemukan dalam pandangan tugas lain:
untuk analisis keuangan dan aktuaria dalam tampilan tugas Keuangan, untuk
analisis lingkungan dalam tampilan tugas Environmetrics. Implementasi
umum distribusi probabilitas dipelajari dalam tampilan tugas Distribusi.

A. Teori Nilai Ekstrim Univariasi:

 Model regresi:
1) Paket VGAM menawarkan pemodelan aditif untuk analisis nilai
ekstrim. Estimasi untuk model aditif generalized vektor dilakukan
menggunakan algoritma backfitting dan menggunakan kemungkinan
 yang dikenakan untuk splines smoothing. Ini adalah satu-satunya
paket yang diketahui oleh penulis yang melakukan pemodelan aditif
untuk berbagai analisis nilai ekstrim. Ini mencakup distribusi GEV dan
GP.
2) Paket ismev menyediakan kumpulan fungsi agar sesuai dengan proses
poin dengan variabel penjelas (plot diagnostik, MLE) dan mengikuti
buku Coles (2001).
 Pendekatan Copula:
1) Paket copula menyediakan utilitas untuk mengeksplorasi dan
memodelkan berbagai kopula yang umum digunakan, lihat juga
tampilan tugas Distribusi (bagian copula).

B. Teori Nilai Eksternal Bivariat:

1) paket RTDE mengimplementasikan estimasi bivariat untuk koefisien
ketergantungan ekor.

C. Teori Nilai Ekstrim Multivariasi:

1) Paket copula menyediakan utilitas untuk mengeksplorasi dan
memodelkan berbagai kopula yang umum digunakan. Nilai ekstrim
copulas dan perkiraan non-parametrik dari copulas nilai ekstrim
dilaksanakan.

11. Keuangan Empiris

Taks Views CRAN ini berisi daftar paket yang berguna untuk pekerjaan
secara nyata di bidang Keuangan dan dikelompokkan berdasarkan topik.
Selain paket-paket ini, berbagai fungsi yang sangat luas yang cocok untuk
pekerjaan empiris di bidang Keuangan disediakan oleh sistem R dasar (dan
rangkaian paket inti yang disarankan), dan sejumlah paket lainnya di Jaringan
Arsip R Komprehensif (CRAN). Akibatnya, beberapa Taks Views CRAN
lainnya mungkin berisi paket yang sesuai, khususnya Eksekusi Ekonometrika,
Multivariasi, Pengoptimalan, Robust, SocialSciences, dan TimeSeries.

A. Model regresi standar

1) Gambaran rinci dari metodologi regresi yang tersedia disediakan
oleh tampilan tugas Ekonometrika. Ini dilengkapi dengan tampilan
tugas Kuat, yang berfokus pada metode yang lebih kuat dan tahan.
2) Model linear seperti ordinary least squares (OLS) dapat
diperkirakan dengan lm () (dari oleh paket statistik yang
terkandung dalam distribusi R dasar). Estimasi Maximum
Likelihood (ML) dapat dilakukan dengan fungsi optimal ().
Banyak metode lain yang sesuai dicantumkan dalam tampilan
Pengoptimalan. Kotak terkecil non-linear dapat diperkirakan
dengan fungsi nls (), serta dengan nlme () dari paket nlme.
3) Untuk model linier, berbagai tes diagnostik regresi disediakan
oleh paket mobil, lmtest, strucchange, urca, dan sandwich. Paket
Rcmdr dan Zelig menyediakan antarmuka pengguna yang
mungkin menarik juga.
B. Rangkaian waktu
1) Paket perkiraan menambahkan fungsi untuk masalah perkiraan.
2) Paket tsfa menyediakan fungsi untuk analisis faktor deret waktu.
3) Paket stochvol mengimplementasikan estimasi Bayesian dari
volatilitas stokastik menggunakan Markov Chain Monte Carlo, dan
factorstochvol memperluas ini ke kasus multivariat.
4) Paket MSGARCH menambahkan metode agar sesuai (dengan
Maximum Likelihood atau Bayesian), menyimulasikan, dan
meramalkan berbagai proses GARCH Markov-Switching.
C. Keuangan
 1) Paket maRketSim menyediakan simulator pasar, awalnya dirancang di
sekitar pasar obligasi.
2) Paket BurStFin dan BurStMisc memiliki koleksi fungsi untuk
Keuangan termasuk estimasi matriks kovariansi.
3) Paket AmericanCallOpt berisi pricer untuk berbagai opsi panggilan
Amerika.
4) Paket VarSwapPrice dapat menetapkan harga swap varians melalui
portofolio kontrak opsi Eropa.

D. Manajemen risiko
1) The Task View ExtremeValue menyusun kembali sejumlah paket
yang relevan.
2) Paket-paket CreditMetrics dan crp.CSFP menyediakan fungsi untuk
pemodelan risiko kredit.
3) Paket mvtnorm menyediakan kode untuk multivariat Normal dan t-
distribusi.
4) Paket Rmetrics fPortfolio dan fExtremes juga berisi sejumlah fungsi
yang relevan.
5) Paket copula dan fgac mencakup struktur ketergantungan multivariat
menggunakan metode copula.
6)
12. Analisis Data Fungsional
Analisis data fungsional (FDA) berkaitan dengan data yang "memberikan
informasi tentang kurva, permukaan atau hal lain yang bervariasi dalam suatu
kontinum."
A. Analisis data fungsional umum
1) funData menyediakan kelas S4 untuk fungsi data dan fungsi
fungsional dan fungsional univariat dan multivariat.
 2) fds berisi 19 set data dengan data fungsional.
pelangi mengandung fungsi dan set data untuk tampilan data
fungsional, analisis eksplorasi dan deteksi pencilan.
3) roahd menyediakan metode untuk analisis kuat data fungsional
univariat dan multivariat, mungkin dalam kasus-kasus berdimensi
tinggi, dan karenanya dengan perhatian pada efisiensi komputasi dan
kesederhanaan penggunaan.
B. Runtun waktu data fungsional
1) ftsa menyediakan fungsi untuk memvisualisasikan, pemodelan, peramalan
dan pengujian hipotesis dari rangkaian waktu fungsional.
2) ftsspec menyediakan fungsi untuk memperkirakan operator densitas
spektral dari rangkaian waktu fungsional (FTS) dan membandingkan
operator densitas spektral dari dua seri waktu fungsional, dengan cara
yang memungkinkan deteksi perbedaan operator densitas spektral dalam
frekuensi dan sepanjang kurva panjang.
3) freqdom menyediakan metode domain frekuensi untuk deret waktu
multivariat dan fungsional dan mengimplementasikan komponen utama
fungsional dinamis dan regresi fungsional dengan adanya ketergantungan
temporal.
4) freqdom.fda menyediakan pembungkus untuk fungsionalitas freqdom
untuk objek dari fda
5) pcdpca memperluas komponen utama multivariat dinamis untuk seri
waktu multivariat dan fungsional secara berkala berkorelasi.