Measurement and Linear Hypothesis Models for Lambda Star

Estimates intrinsic and captured noncentrality from parallel measurements and evaluates the numerical parsimony functional for an explicitly encoded hypothesis matrix, formula, or compatible linear model. Includes common-case model comparisons, quantized entropy capacity, controlled temperature integration, and explicit singularity diagnostics. Uses manuscript projection estimates by default, with an explicit alternative population estimator. Supports common nuisance adjustment and ordinary case or cluster percentile bootstrap intervals, with diagnostics for undefined estimates and preserved model coding. Provides reusable row-bound design specifications and explicit conditional term blocks, named linear restrictions, explicit predictor-grid contrasts, and fixed or reevaluated basis recipes under a homogeneous isotropic measurement-fluctuation assumption. Supports explicit known-reference mean hypotheses and paired differences from parallel measurement pairs. Encodes fixed person-by-occasion models with parallel indicators, implicit person adjustment and whole-person bootstrap with distinct sampled copies. The underlying method is described in Hammes (2026) .

lambdastar — Messkern, Modelladapter und Bootstrap

Eigenständiges R-Paket für den Mess- und Projektionskern von Lambda Star, das numerische Parsimony Functional und Personen-/Cluster-Bootstrap mit direkten Perzentilintervallen. Version 0.8.1 verwendet standardmäßig den Manuskriptschätzer für Punkte und sämtliche Ziehungen. Der alternative Populationsschätzer ist ausdrücklich wählbar. Nuisance-Effekte werden gemeinsam berücksichtigt. Alle Intervalle verwenden ci.method="percentile". Der Modellraum-Lernpfad, weitere Anwenderanleitungen und ausführbare Beispiele werden mitinstalliert.

Methodischer Hintergrund: Mike Hammes (2026), From Null Rejection to Structured Localization: Lambda Star and the Thermodynamics of Frequentist Statistics (Preprint, DOI: 10.5281/zenodo.22962377).

Lokal installieren

Voraussetzung ist R >= 4.1 mit stats und dem empfohlenen R-Paket boot. Aus dem Verzeichnis lambda_star/ heraus:

install.packages("dist/lambdastar_0.8.1.tar.gz", repos = NULL, type = "source")
library(lambdastar)
packageVersion("lambdastar")

Die Installation verwendet die erste beschreibbare Standard-Library beziehungsweise die von R angebotene persönliche Library. Mit lib = "/pfad/zur/library" lässt sich ein anderes Ziel wählen. Das Source-Archiv und seine SHA-256-Prüfsumme liegen in dist/; es ist ein lokal nutzbares Paket ohne GitHub-Remote, lizenziert unter Apache 2.0. Copyright 2026 Mike Hammes. Kontakt: [email protected]. Eine Kopie der Lizenz wird unter system.file("doc", "LICENSE-2.0.txt", package="lambdastar") mitinstalliert.

Ein eigenständiges Beispiel und die Lernanleitung werden mitinstalliert:

source(system.file("examples", "quickstart.R", package = "lambdastar"))
system.file("doc", "LEARN_LAMBDASTAR.md", package = "lambdastar")
help("lambdastar")

Lambda Star Schritt für Schritt lernen

Das ausführbare Tutorial erklärt Messrauschen, λ*, die Lokalisation in X_H, tatsächliche Bootstrap-Perzentile und F_H anhand eines durchgehenden Beispiels mit bekannter Struktur. Sieben Abbildungen, Vorhersagefragen und veränderbare Parameter machen den Rechenweg nachvollziehbar. Eine bereits ausgeführte Fassung mit den Standardwerten ist ebenfalls enthalten.

source(system.file("examples", "learn_lambdastar.R", package="lambdastar"))
lesson <- lambdastar_tutorial(output_dir="my-lambda-star-lesson")

In interaktivem R hält der Ablauf vor jeder Auswertung für eine Vorhersage an. pause=FALSE, show_plots=FALSE führt ihn ohne Dialog und Grafikfenster aus. Der Ausgabeordner enthält den bebilderten WALKTHROUGH.md, CSV-Tabellen, synthetische Daten, Bootstrap-Ziehungen und lesson.rds. Bestehende Ergebnisse werden nicht überschrieben. Default: B=5000 und 95%; für kurze Übungsläufe kann beispielsweise B=199 ausdrücklich gesetzt werden.

Fortgeschrittene Beispiele behandeln separat Populationsschätzung, Standortadjustierung, Schulcluster und die beiden Nullfälle. Der Modellraum-Lernpfad führt anschließend von der Forschungsfrage zu X_H, bedingten Effekten, Kontrasten, Basisrezepten und F_H-Vergleichen. Seine Scope-Tabelle grenzt die derzeit unterstützten Hypothesen und Referenzräume ab. Ein eigenes Beispiel zeigt verfügbare und undefinierte Intervalle auf zwei synthetischen E4-Datensätzen:

source(system.file("examples", "intervals_and_targets.R", package="lambdastar"))
intervals <- lambdastar_intervals_example()  # B=5000, 95%, seed=1
intervals$intervals
intervals$fits$weak$bootstrap$draw_reasons

Personen über mehrere Messzeitpunkte

lambda_panel() ergänzt feste Personen-/Zeitpunktmodelle. Jede Zeile enthält eine Person an einem Zeitpunkt und mindestens zwei parallele Messindikatoren. Personenintercepts werden standardmäßig durch Gruppenzentrierung adjustiert; weitere Ziel- und Adjustierungsterme kommen aus dem deklarierten Modell. Der Bootstrap zieht vollständige Personenverläufe mit eigenen Identitäten für mehrfach gezogene Kopien. Herleitung und Lernpfad.

source(system.file("examples", "panel_models.R", package="lambdastar"))
panel <- lambdastar_panel_example()  # zwei Analysen mit B=5000, 95%, seed=1
panel$trend$estimates
confint(panel$interaction)         # Gruppe × Zeit nach Personen- und Zeitadjustierung
panel$comparison$delta_F           # Zeittrend versus Krümmung bei gleichem Nuisance-Raum
panel$trend$panel$map               # tatsächliche Personen-/Beobachtungszuordnung

Der Mess-Bath muss im verbleibenden Beobachtungsraum homogen und isotrop sein. Zeitpunkte sind keine parallelen Replikate einer unveränderten Antwort. Ungleiche Beobachtungszahlen sind möglich; explizite Complete-Case-Auswahl entfernt ganze Personen. T_q bleibt auf der Skala des beobachteten Itemmittels.

Mittelwert gegen Referenz und gepaarte Differenzen

Seit 0.7.0 hält lambda_reference() die Abweichung von einer vorgegebenen Referenz fest, einschließlich der Mittelwertrichtung. lambda_paired() bildet after - before für jedes parallele Itempaar und schätzt T aus diesen Differenzen. Herleitung, Auflösungskonvention und Beispiel: Referenzmittelwerte.

source(system.file("examples", "reference_means.R", package="lambdastar"))
means <- lambdastar_reference_example()  # B=5000, 95%, seed=1
means$one_sample$estimates              # Mittelwert gegen 50
means$paired$estimates                  # mittlere Veränderung gegen 0
means$paired_reference$estimates        # Veränderung gegen .5
means$paired$mean_departure             # vorzeichenbehaftete mittlere Abweichung
confint(means$paired)

Bei festem Ursprung ohne Nuisance gilt d=N, ~1 beschreibt die freie Mittelwertrichtung und ~0 den festen Nullwert. Ein Vergleich verlangt denselben Referenzvektor und Nuisance-Raum. T_q wird ausdrücklich auf der Mittelwert- bzw. Differenzskala vorgegeben. Auch für Paare sind mindestens zwei parallele Messpaare notwendig; eine einzelne Vorher-/Nachher-Spalte identifiziert keinen separaten Mess-Bath. Gewöhnliche zentrierte Aufrufe bleiben unverändert.

Kurzes Beispiel

library(lambdastar)
set.seed(17)
d <- data.frame(x = rnorm(80), z = rnorm(80),
                group = factor(rep(c("a", "b"), 40)),
                condition = factor(rep(c("a", "b", "c", "d"), 20)))
signal <- d$x + 0.5 * d$z
d[paste0("item", 1:4)] <- replicate(4, signal + rnorm(80))
items <- paste0("item", 1:4)
d$y_mean <- rowMeans(d[items])
T_q <- 1/12  # Beispielannahme auf Mittelwertskala, keine geschätzte Auflösung

measurement <- lambda_measure(d, items)
two_group <- lambda_model(d, ~ group, items, T_q)       # Gruppenmittelwert-Hypothese
anova <- lambda_model(d, ~ condition, items, T_q)       # Gesamtmodell
ancova <- lambda_model(d, ~ condition + x, items, T_q)
regression <- lambda_model(d, y_mean ~ x + z, items, T_q)
interaction <- lambda_model(d, ~ group * x, items, T_q)
summary(regression)
regression$parsimony[c("rss", "dimension_cost", "geometry_cost", "free_energy")]

# Dieselbe Kodierung über explizites X_H oder ein geprüftes lm-Objekt:
via_matrix <- lambda_model(d, as.matrix(d[c("x", "z")]), items, T_q)
via_lm <- lambda_model(d, lm(y_mean ~ x + z, d), items, T_q)
stopifnot(all.equal(regression$parsimony$free_energy,
                    via_lm$parsimony$free_energy))

# Ein Datenobjekt, zwei Modelle, zweimal dieselbe Einzelmodellberechnung:
comparison <- lambda_compare(d, ~ x, ~ x + z, items, T_q)
print(comparison)
stopifnot(all.equal(comparison$delta_F,
  comparison$model_b$parsimony$free_energy - comparison$model_a$parsimony$free_energy))

# Derselbe Raum, andere Kodierung: Projektion gleich, Geometrie ggf. verschieden.
coding <- lambda_compare(d, ~ condition, ~ condition, items, T_q,
  contrasts_a = list(condition = "contr.treatment"),
  contrasts_b = list(condition = "contr.helmert"))
print(coding)

Items beziehungsweise Wiederholungen müssen bereits korrekt kodiert sein und dieselbe stabile Struktur messen. Der Kern nimmt parallele Messungen mit unabhängigen, homogenen Messfehlern an. Er prüft diese Messannahmen nicht empirisch und interpretiert zeitliche Veränderungen nicht automatisch als Rauschen. Die ausgewählten Eingaben müssen vollständig und endlich sein. Ein Ausschluss fehlender Fälle muss ausdrücklich angefordert werden.

Modelladapter und gemeinsame Fälle

• lambda_measure(data, indicators) schätzt den Messzustand. Nur hier bedeutet indicators = NULL, dass alle Spalten Messungen sind.
• lambda_model(data, model, indicators, T_q) wertet ein ganzes Modell aus. model ist ein lambda_design, eine Formel, ein geeignetes lm oder eine numerische Matrix. Einseitige Formeln verwenden den Itemmittelwert. Bei zweiseitigen Formeln muss die Antwort damit übereinstimmen; Abweichungen lösen einen Fehler aus.
• lambda_compare(data, model_a, model_b, indicators, T_q) bereitet gemeinsame Daten und Messbedingungen einmal vor und ruft denselben Auswertungsweg zweimal auf. delta_F = F_Hb - F_Ha; ein negatives Delta bedeutet kleineres F_H für b. Das ist kein Signifikanztest und keine automatische Modellauswahl.

na.action = "fail" ist der Default. na.action = "complete" wählt einmal vollständige Personen über Items und alle Variablen beider Modelle aus. Nicht benötigte Datenspalten beeinflussen die Auswahl nicht. Ausgeschlossene Positionen stehen in $cases$excluded, verwendete in $cases$included; Zeilenidentitäten und benötigte Variablen werden ebenfalls gespeichert. Zwei getrennte Einzelaufrufe sind bei Missingness nur dann vergleichbar, wenn beide auf genau dieser gemeinsamen Teilstichprobe ausgewertet werden.

Die Fallauswahl erfolgt vor Transformationen wie poly() oder scale(). Durch Transformationen entstehende NA/Inf werden abgewiesen, nicht zusätzlich pro Modell herausgefiltert. Formelvariablen müssen aus data stammen. Eine explizite Matrix enthält alle Eingabezeilen in Datenreihenfolge; vorhandene Zeilennamen müssen übereinstimmen. Ohne Zeilennamen wird die angegebene Reihenfolge verwendet. Fehlende Matrixwerte gehen in die gemeinsame Auswahl ein.

lm benötigt einen gespeicherten Modellrahmen, einen Intercept, dieselben Fälle in derselben Reihenfolge, eine passende Mittelwertantwort und passende kodierte Prädiktorwerte. Gespeicherte Kontraste gelten auch nach Änderungen der globalen R-Kontrastoptionen. Gewichte, Offsets, GLM, multivariate Antworten und andere Modellklassen werden abgewiesen. Abweichende lm-Stichproben werden ausdrücklich neu angepasst; der Adapter führt keinen stillen Refit aus.

Ein Intercept zählt nicht als Hypothesenrichtung. ~ 1 ist das Nullmodell. Faktorstufen und tatsächliche Kontraste bleiben erhalten. Explizite Kontrastmatrizen dürfen weniger als G−1 Spalten haben; genau diese Richtungen bleiben auch im Bootstrap erhalten. Rangmangel, verlorene Stufen oder ein nach Zentrierung redundanter Dummyblock wie ~ 0 + factor führen zum Fehler, statt die Kodierung still zu ändern. $model enthält Formel, Spalten, Termzuordnung, Kontraste, Faktorstufen, Rang und Fälle; $basis$X enthält das zentrierte, gegebenenfalls nuisance-adjustierte kodierte Design. Nur die Projektion nutzt die QR-Basis.

Der Manuskriptpfad setzt stabile Struktur plus homogenen isotropen Mess-Bath mit endlichen zweiten Momenten voraus. Weder Normalität der Antwort noch gleiche Gesamtvarianzen der Gruppen sind erforderlich. Gruppenvergleiche (auch neben Welch), feste ANOVA/ANCOVA, Regression und Interaktionen verwenden dasselbe X_H. Welch-Teststatistiken werden separat berechnet; sie ersetzen weder T noch die Projektionskorrektur. Der Populationsschätzer behält seine zusätzlichen Annahmen.

lambda_design() bindet ein wiederverwendbares Modell an Kodierung und Eingabezeilen. lambda_hypothesis() wählt Ziel- und Adjustierungsterme aus dem vollständigen Modell. Bedingte λ* und κ beziehen sich auf die nach Adjustierung verbleibende Struktur. Anleitung: Modellräume.

spec <- lambda_design(d, ~ group * x)
effect <- lambda_hypothesis(d, ~ group * x, target="group:x", adjust=c("group", "x"))
conditional <- lambda_model(d, effect, items, T_q)

lambda_contrast() kodiert benannte homogene Restriktionen L beta=0; lambda_marginal_contrast() verwendet ausdrücklich gesetzte Prädiktorwerte und Gewichte für einfache oder gemittelte Effekte. encoding="fixed" hält die nach Fallauswahl erlernte Basis während des Bootstrap fest; "reevaluate" bleibt der Default. Anleitung und ausführbares Beispiel: Kontraste und Basisrezepte.

h <- lambda_contrast(d, ~group*x, c(groupb=1, `groupb:x`=1))
fit <- lambda_model(d, h, items, T_q)  # b-a bei x=1, bedingt auf das Nullmodell
source(system.file("examples", "contrasts_and_bases.R", package="lambdastar"))
lesson <- lambdastar_contrasts_example(B=199)  # kurzer Übungslauf; Default B=5000

Ein-Stichproben-/gepaarte Mittelwerthypothesen verwenden die explizite Referenz-API. Die gewöhnliche Zentrierung entfernt weiterhin den Mittelwert. Feste Personen-/Zeitpunktmodelle verwenden lambda_panel; allgemeine Kovarianz- und Mixed Models bleiben gesonderte Erweiterungen.

measurement_scale = "mean" ist der Default; "item" ändert nur den Nonzentralitätsnenner. Der Adapter verwendet für F_H in beiden Fällen korrekt die Mittelwertantwort und temperature_mean. T_q ist dafür explizit positiv anzugeben. capacity, numerical_control, eta_lookup und response_tol sind überschreibbar und werden in $settings gespeichert. Die Antwort-/lm-Prüfung verwendet standardmäßig punktweise abs(a-b) <= sqrt(.Machine$double.eps) * max(1, abs(a), abs(b)). print() und summary() zeigen Punktschätzungen und die F_H-Zerlegung.

Perzentilintervalle und gemeinsame Personenziehungen

bootstrap=TRUE verwendet ci.method="percentile", B=5000, 95 % und Seed=1. Der Bootstrap zieht N vollständige Personen mit Zurücklegen. Jede Ziehung berechnet T, λ*, λ_H, λ_perp und κ_H mit demselben ausgewählten Schätzer wie die Originaldaten (estimator="paper" als Default). Für 95 % werden direkt die 2,5%- und 97,5%-Perzentile verwendet, berechnet mit boot::boot.ci(type="perc"). Konstante Verteilungen behalten identische untere und obere Grenzen. Niveau, B und Seed sind überschreibbar.

Die ausgewählten Punktschätzungen stehen in $estimates und in den entsprechenden Feldern $lambda_star, $lambda_h und $kappa, auch bei bootstrap=FALSE. Die CI-Tabelle enthält dieselben Punkte. $inference und $settings$estimator benennen die Methode. $paper bewahrt die Manuskriptwerte; $population wird nur bei ausdrücklicher Auswahl angelegt.

ci_model <- lambda_model(d, ~ x + z, items, T_q,
  bootstrap = lambda_bootstrap_control(B = 499, conf.level = .95, seed = 17,
                                       keep_draws = TRUE))
ci_model$estimates
confint(ci_model)
confint(ci_model, parm = c("lambda_star", "lambda_h", "kappa"), level = .90)
ci_model$bootstrap$ci

# Gemeinsame Personenziehungen, feste beobachtete Gruppenanteile:
ci_comparison <- lambda_compare(d, ~ group, ~ group + x + z, items, T_q,
  bootstrap = lambda_bootstrap_control(B = 499, strata = "group"))
confint(ci_comparison)

estimator="paper" verwendet die bath-korrigierten Projektionsenergien des Manuskripts: auf der Mittelwertskala λ_H,raw=Q_H/T−p und λ*,raw=Q_gesamt/T−d. Ohne weitere Nuisance-Variablen ist d=N−1. Originalschätzung und jede Bootstrap-Ziehung verwenden diese Formeln.

estimator="population" wählt ausdrücklich die alternative Korrektur für Population bei festem N: λ*ₙ=(N−1)Var(S)/T und λ_H,ₙ aus der linearen Populationsprojektion. Sie verwendet V_S=Var(Y_mean)-T_mean und V_H=Var(Y_mean)-RSS/(N-1-p) unter linearer bedingter Erwartung und homogener Residualvarianz. Sie unterstützt derzeit Intercept-Adjustierung und Personen-Bootstrap. Nuisance- oder Cluster-Kombinationen werden bei dieser Option ausdrücklich abgelehnt. help("lambda_inference") enthält die Formeln.

Nuisance-Effekte und Schulcluster wie im Manuskript

# sses: eine Zeile je Person, fünf bereits aufbereitete WHO-5-Items.
# skills: Namen der 15 Prädiktoren; Originalauflösung des Itemmittels.
fit_sses <- lambda_model(sses, as.matrix(sses[skills]), items, T_q = 1/300,
  nuisance = ~ factor(SiteID),
  bootstrap = lambda_bootstrap_control(B = 1000, seed = 2026073116,
    resampling = "cluster", cluster = "school_uid", strata = "SiteID",
    percentile_interpolation = "type7", keep_draws = TRUE))
fit_sses$estimates
confint(fit_sses, parm = "kappa")

nuisance akzeptiert eine einseitige Formel oder eine numerische Matrix. Ein Intercept gehört stets zum Nuisance-Raum. Messungen und Hypothesenmatrix werden gemeinsam residualisiert; d=N−rank(B) bestimmt die Messkorrektur. Der Nuisance-Raum wird in jeder Ziehung neu geschätzt. Kodierung und Rangverlust werden geprüft. Die Modellformel enthält die zu prüfenden Richtungen, Nuisance-Variablen stehen separat in nuisance.

Cluster werden vollständig und mit Zurücklegen innerhalb ihrer Strata gezogen; je Stratum bleibt die Clusterzahl fest, die Personenzahl kann variieren. Clusterbezeichnungen gelten innerhalb des jeweiligen Stratums. Die gemeinsame Fallauswahl umfasst auch Nuisance-, Cluster- und Stratumvariablen. percentile_interpolation="type7" berechnet die unveränderten R-Perzentile (quantile(type=7)) der Originalanalyse. Default "boot" nutzt weiterhin boot::boot.ci(type="perc"); beide sind gewöhnliche Perzentilintervalle.

Ein undefinierter Originalschätzer erhält undefined_estimate. Sobald eine Ziehung für einen Kennwert undefiniert ist, bleibt dessen reguläres Intervall NA (undefined_draws bei κ ohne Signal, sonst failed_draws). Die Intervalle anderer Kennwerte werden unabhängig davon berechnet. n_valid, n_failed, n_undefined und die Ausfallgründe sind sichtbar; Ziehungen werden nicht ersetzt. Mindestens min_valid=200 Werte werden für Quantile benötigt.

Mit conditional_quantiles=TRUE können zusätzlich Quantile ausschließlich der gültigen Ziehungen angefordert werden. Sie stehen separat in $bootstrap$conditional_quantiles, mit Zahl der ausgeschlossenen Ziehungen, als bedingte beschreibende Quantile. confint() liefert weiterhin nur die regulären Konfidenzintervalle.

strata="group" hält beim Personen-Bootstrap die beobachteten Gruppengrößen fest. Nur estimator="population" verwendet dabei die korrigierte Mischungsvarianz und benötigt mindestens zwei Personen je Stratum. Ein gesättigtes Modell hat keine Residualfreiheitsgrade für die Populationsprojektion; seine betroffenen Populationswerte werden mit Begründung als NA ausgegeben.

keep_draws=TRUE speichert die tatsächlichen Kennwerte jeder Ziehung, einschließlich null und NA, sowie draw_reasons. keep_indices=TRUE speichert Originalzeilenpositionen, bei Clustern als Liste variabler Länge. confint(..., level=...) verwendet vorhandene Ziehungen und benötigt dafür keep_draws=TRUE. Alle Kennwerte und Vergleichsmodelle teilen dieselben Personenziehungen. Die Intervalle sind punktweise; F_H und ΔF bleiben Punktschätzungen. Die Validierung berichtet Verfügbarkeit, Breite und Überdeckung separat; bei wahrem Nullsignal ist eine Überdeckung für κ nicht definiert.

Funktionen und Skalen

• estimate_lambda_star_items() liefert Temperatur, rohe und nichtnegative Gesamtstruktur sowie Zeilenidentität. Default ist scale = "composite_mean".
• estimate_lambda_partition_items() ergänzt die Projektion auf ein explizites x, die rohe/beschränkte Zerlegung und Kappa. Das Design enthält keinen Intercept.
• hypothesis_basis() bewahrt die kodierte Matrix; die normalisierte QR-Basis dient nur der Projektion. design_volume(logarithm = TRUE) bewahrt log(V) auch bei einem sehr kleinen Volumen.
• eta_numerical() löst die quantisierte Kapazität über eine logarithmische Momentengleichung. details = TRUE zeigt Lösungs- und Abschneidediagnostik.
• xi_eta_numerical() integriert standardmäßig direkt und adaptiv. Eine wiederverwendbare Tabelle aus make_eta_numerical_lookup() beschleunigt viele Auswertungen; unterhalb ihres ersten positiven Knotens wird direkt integriert.
• thermodynamic_model_state() berechnet F_H für ein einzelnes X_H. Der Default ist eta_method = "numerical"; "smooth" ist eine ausdrücklich gekennzeichnete Approximation. Beide verwenden dieselbe geometrische Aktivierung.
• lambda_control() hält überschreibbare Toleranzen getrennt für Rang, Kapazitätslösung, abgeschnittene Verteilungsschwänze, Quadratur und Lookup. Lookup-Fehler sind geschätzte Diskretisierungsfehler, keine formalen Schranken für den gesamten Rechenweg. Die Gibbs-Tails werden durch Integralgrenzen geprüft.

scale = "item" ändert den Nenner der Nonzentralitäten auf die Einzelmessungsvarianz. Das gespeicherte composite_response und die stable_profile sind weiterhin Mittelwerte. Wer die Mittelwertantwort in F_H verwendet, muss deshalb temperature_mean verwenden. Eine Antwortskalierung um den Faktor c erfordert die entsprechende Skalierung von T und T_q um c². Die Auflösung T_q wird fachlich vorgegeben.

Bei T = 0 liefert der Kern status = "singular_temperature" und NA für die nicht regulär schätzbaren normierten Größen beziehungsweise F_H. Für explizite numerische Grenzwertprüfungen ist boundary = TRUE möglich: F_H = RSS, Status boundary_only. Dies ist kein empirischer Schätz- oder Vergleichszustand. Kappa bleibt auch bei positiver Temperatur und geschätzter Gesamtstruktur null nicht bestimmbar. Sehr kleine positive Werte werden nicht durch epsilon ersetzt.

Bauen und prüfen

Das Paket importiert stats und boot. Der Testrunner verwendet Base R; Dokumentation und NAMESPACE sind bereits enthalten.

R CMD build .
R CMD check --as-cran lambdastar_0.8.1.tar.gz

Die Tests enthalten eine vorhandene synthetische Simulation und unabhängig mit Python Decimal erzeugte numerische Referenzwerte. Die Anwenderbeispiele verwenden synthetische Daten; externe OECD-Rohdaten werden nicht mitgeliefert. Die Apache-2.0-Lizenz gilt für dieses Paket; sie lizenziert weder das separate Manuskript noch externe OECD-Daten um.