我试图优化我的代码，它以四个向量X1，X2，X3，X4和一个相关矩阵R为参数。首先，对于每个观察I计算F（X3，X4）+F（X1，X2）-F（X2，X3）-F（X1，X4），其中F对应于以下函数：

F <- function(u,v,R){
pmvnorm(upper=c(qnorm(u,0,1), qnorm(v,0,1)),mean=c(0,0),lower=c(-Inf, -Inf),corr = R, sigma=NULL, algorithm = mvtnorm::GenzBretz(), keepAttr=FALSE))
}

然后，我将所有观察结果的对数（以某个delta为阈值）相加，并返回总和的相反值。
我希望我的代码更快，使用mapply与使用for循环相比没有显著差异。
目前，我正在使用下面的代码：

L_n <- function(R, X1, X2, X3, X4){
  delta = 10**-9
  mysummands <- mapply(F, X3, X4, MoreArgs=list(R=R)) + mapply(F, X1, X2, MoreArgs=list(R=R)) - mapply(F, X2, X3, MoreArgs=list(R=R)) - mapply(F, X1, X4, MoreArgs=list(R=R))
  L <- sum(log(mapply(max,mysummands,MoreArgs=list(delta))))
  return(-L)
}

如果我尝试通过指定u和v的向量来使用F作为向量化函数，我会得到一个错误，即相关矩阵的上界和对角线的大小不相同。（相关矩阵R对于所有观测保持相同）。
是否存在pmvnorm的矢量化等价物？