İstatistikler ve Büyük Veri

Kendimi Granger Nedensellik konusunda eğitmeye çalışıyorum. Bu sitedeki yayınları ve çevrimiçi olarak birkaç iyi makaleyi okudum. Ayrıca, zaman dizinizi girmenizi ve Granger İstatistiklerini hesaplamanızı sağlayan Bivariate Granger Nedensellik - Ücretsiz İstatistik Hesap Makinesi adlı çok yararlı bir araçla karşılaştım . Aşağıda, sitede yer alan örnek verilerden çıktıdır. Sonuçları yorumlamada da …

16 time-series  causality  granger-causality 

Ortalama μ o l d ve standart sapma σ o l d olan gerçek değerler dizim var . X i dizisinin bir elemanı başka bir x j elemanı ile değiştirilirse , yeni ortalamannnμoldμold\mu_{old}σoldσold\sigma_{old}xixix_ixjxjx_j μnew=μold+xj−xinμnew=μold+xj−xin\mu_{new}=\mu_{old}+\frac{x_j-x_i}{n} Bu yaklaşımın avantajı, değerine bakılmaksızın sürekli hesaplama gerektirmesidir . Hesaplamak için bir yaklaşım, var σ n …

16 standard-deviation  online 

Tek değişkenli üstel Hawkes süreci, olay varış oranına sahip, kendi kendini heyecanlandıran bir süreçtir: λ(t)=μ+∑ti&lt;tαe−β(t−ti)λ(t)=μ+∑ti&lt;tαe−β(t−ti) \lambda(t) = \mu + \sum\limits_{t_i<t}{\alpha e^{-\beta(t-t_i)}} burada etkinliğin varış .t1,..tnt1,..tn t_1,..t_n Günlük olabilirlik işlevi −tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln(μ+αe−β(tj−ti))−tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln⁡(μ+αe−β(tj−ti)) - t_n \mu + \frac{\alpha}{\beta} \sum{( e^{-\beta(t_n-t_i)}-1 )} + \sum\limits_{i<j}{\ln(\mu+\alpha e^{-\beta(t_j-t_i)})} yinelemeli olarak hesaplanabilir: −tnμ+αβ∑(e−β(tn−ti)−1)+∑ln(μ+αR(i))−tnμ+αβ∑(e−β(tn−ti)−1)+∑ln⁡(μ+αR(i)) - t_n \mu + \frac{\alpha}{\beta} …

16 maximum-likelihood  stochastic-processes  likelihood 

plm()Formun sabit efekt modellerini tahmin etmek için kullanıyorum y ~ x + time + time:fixed_trait burada fixed_traitbireyler arasında değişen ancak bireyler içinde sabit olan bir değişkendir. Etkileşim noktası timeile fixed_traitetkisini imkan vermek için fixed_traitzaman içinde değişir. (Burada Paul Allison'ın sabit etkilerle ilgili son kitapçığında çalışıyorum. Alıntı eklenmiştir.) plm()bu tür modeller …

16 r 

Bu bir tür geçici yöntem olarak yapıldığını gördüğüm bir şey ve benim için çok balık gibi görünüyor ama belki bir şey eksik. Bunu çoklu regresyonda gördüm, ancak basit tutalım: yi=β0+β1xi+εiyi=β0+β1xi+εi y_{i} = \beta_{0} + \beta_{1} x_{i} + \varepsilon_{i} Şimdi kalanları monte edilen modelden alın ei=yi−(β^0+β^1xi)ei=yi−(β^0+β^1xi) e_{i} = y_{i} - \left( …

16 regression  residuals 

Genel bir soru daha. Tahmini modelleme için bir rbf SVM kullanıyorum. Mevcut programımın kesinlikle biraz hızlanması gerektiğini düşünüyorum. Scikit öğrenmeyi kaba-ince arama + çapraz doğrulamayla kullanıyorum. Her SVM çalışması yaklaşık bir dakika sürer, ancak tüm iterasyonlarla, hala çok yavaş buluyorum. Sonunda çapraz doğrulama parçasını çoklu çekirdekler üzerinde çoklu olarak işlediğimi …

16 machine-learning  svm  predictive-models  scikit-learn  kernel-trick 

Sinir ağlarının karmaşıklığını ölçmek için bazı temel yollarla karşılaştım: Saf ve gayri resmi: nöronların, gizli nöronların, katmanların veya gizli katmanların sayısını sayın VC boyutu (Eduardo D. Sontag [1998] "Sinir ağlarının VC boyutu" [ pdf ].) Bir ders taneli ve asimtotik hesaplama karmaşıklığı eşdeğeri ile ölçülürTC0dTCd0TC^0_d . Başka alternatifler var mı? …

16 neural-networks  theory  vc-dimension  pac-learning 

Bir güç yasası dağıtımının pdfp ( x ) = α - 1xmin( xxmin)- αp(x)=α-1xmin(xxmin)-α p(x) = \frac{\alpha-1}{x_{\text{min}}} \left(\frac{x}{x_{\text{min}}} \right)^{-\alpha} Ancak, örneğin hisse senedi fiyatlarının bir güç yasası dağıtımını izlemesi sezgisel olarak ne anlama gelir? Bu, kayıpların çok yüksek ancak seyrek olabileceği anlamına mı geliyor?

16 distributions  power-law 

Merhaba istatistiksel gurular ve R programlama sihirbazları, Hayvan yakalamalarını çevresel koşulların ve yılın gününün bir fonksiyonu olarak modellemekle ilgileniyorum. Başka bir çalışmanın parçası olarak, üç yıl içinde ~ 160 gün boyunca yakalama sayım var. Bu günlerin her birinde sıcaklık, yağış, rüzgar hızı, bağıl nem vb. Var. Veriler aynı 5 parselden …

16 r  mixed-model  autocorrelation  bugs  panel-data 

Bir t-testinin geçerli olması için gereken minimum numune boyutunu belirlemek için bir "kural" var mı? Örneğin, 2 popülasyon ortalaması arasında bir karşılaştırma yapılması gerekir. Bir popülasyondan 7 veri noktası ve diğerinden sadece 2 veri noktası vardır. Ne yazık ki, deney çok pahalı ve zaman alıcıdır ve daha fazla veri elde …

16 t-test  sample-size  small-sample  wilcoxon-mann-whitney 

Öğrencilerime (ilköğretim istatistik dersinde) iki kuyruklu bir testin ne olduğunu ve P değerinin nasıl hesaplandığını açıklamanın çeşitli yollarını arıyorum. İki ve tek kuyruklu testi öğrencilerinize nasıl açıklarsınız?

16 hypothesis-testing  p-value  teaching 

Kapalı. Bu soru konu dışı . Şu anda cevapları kabul etmiyor. Bu soruyu geliştirmek ister misiniz? Sorunuzu güncelleyin o yüzden -konu üzerinde Çapraz doğrulanmış için. 6 yıl önce kapalı . İndirmek için büyük (&gt; 1000) metin topluluğunu arıyorum. Tercihen dünya haberleriyle veya bir tür raporla . Sadece patentli bir tane …

16 dataset 

Varsayalım ki iki noktamız var (aşağıdaki şekil: siyah daireler) ve aralarındaki üçüncü nokta için bir değer bulmak istiyoruz (çapraz). Gerçekten de bunu deneysel sonuçlarımız olan siyah noktalara dayanarak tahmin edeceğiz. En basit durum bir çizgi çizmek ve sonra değeri bulmaktır (yani, doğrusal enterpolasyon). Her iki tarafta kahverengi noktalar olarak destek …

16 estimation  interpolation 

Olasılık teorisi ile olasılık dağılım fonksiyonları ve kümülatif dağılım fonksiyonları gibi önemli kavramları açıklayan iyi kitaplar var mı? Lütfen, John Rice'ın basit permütasyon kavramları ile başlayan ve daha sonra (2. bölümde) gerçek analiz, çoklu ve yüzey integrallerinde bilgi alarak ve CDF'leri tanımlamaya başlayan bir adım atın ve CDF'leri tanımlamaya başlayın. …

16 probability  self-study  distributions  references  theory 

1X2 (ağırlıklı) oyunlarda bahis önermek için bir algoritma kodlamaya çalışıyorum. Temel olarak, her oyunun bir takım maçları vardır (ev sahibi ve deplasman takımları): 1: ev sahibi kazanır X: çizmek 2: deplasman kazanır Her maç ve sembol ( 1ve Xve 2) için, bu sembolün doğru maç sonucu olma şansını / olasılığını …

16 optimization