«dag» etiketlenmiş sorular

Ben kullanımı ile serpmek başlıyorum glmnetile LASSO Regresyon ilgi benim sonuç dikotom olduğunu. Aşağıda küçük bir sahte veri çerçevesi oluşturdum: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

İki rastgele değişken A ve B istatistiksel olarak bağımsızdır. Bu, işlemin DAG'sinde şu anlama gelir: ve elbette . Ancak bu, B'den A'ya hiçbir ön kapı olmadığı anlamına mı geliyor?(A⊥⊥B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)P(A|B)=P(A)P(A|B)=P(A)P(A|B)=P(A) Çünkü o zaman almalıyız . Yani durum buysa, istatistiksel bağımsızlık otomatik olarak nedensellik eksikliği anlamına mı geliyor?P(A|do(B))=P(A)P(A|do(B))=P(A)P(A|do(B))=P(A)

40 independence  causality  bayesian-network  dag 

Yönlendirilmiş asiklik grafikler (DAG'ler; örneğin, Grönland ve diğerleri, 1999) nedensellik kampının karşı-fiili yorumundan nedensel çıkarımın biçimciliğinin bir parçasıdır. Bu grafiklerde, değişken bir ok varlığı birbirA değişkeni BBB bu değişken iddia birbirA direkt olarak (bazı riski değişimi) değişken neden BBB , ve bu tür bir ok yokluğu bu değişken iddia birbirA …

17 interaction  causality  dag 

Yönlendirilmiş asiklik grafikler (DAG'ler) istatistiksel modellerde nitel nedensel varsayımların etkili görsel temsilleridir, ancak bunlar düzenli bir değişken değişken denklemi (veya diğer denklemler) sunmak için kullanılabilir mi? Öyleyse nasıl? Değilse, neden?

15 causality  instrumental-variables  dag 

Bireysel çalışma kitabı olan Olasılıksal Grafik Modelleri okuyorum . Yönlendirilmiş bir asiklik grafikteki (DAG) kenarlar nedensel ilişkileri temsil ediyor mu? Bir Bayes ağı kurmak istiyorsam , ancak içindeki okların yönünden emin değilsem ne olur? Bana söyleyecek olan tüm veriler, aralarındaki bağlantı değil gözlemlenen korelasyonlardır. Çok fazla şey istediğimi biliyorum, çünkü …

13 causality  graphical-model  bayesian-network  dag 

Ben arka kapı ayarı ve ön kapı ayarı bahsediyorum burada : Arka kapı ayarı : İstatistiklerdeki arketipik epidemiyolojik problem, ölçülen bir karışıklığın etkisini ayarlamaktır. Pearl'ün arka kapı kriteri bu fikri genelleştirir. Ön kapı ayarı : Bazı değişkenler gözlenmezse, nedensel etkiyi tanımlamak için başka yöntemlere başvurmamız gerekebilir. Sayfa ayrıca yukarıdaki iki …

13 causality  dag 

Aşağıdaki nedensel grafikte üzerindeki nedensel etkisini hesaplamak istiyorsak , hem arka kapı ayarını hem de ön Kapı ayar teoremlerini kullanabiliriz, yani XXXYYYP( y| yapmak (X= x ) ) = ∑uP( y| x,u)P( u )P(y|yapmak(X=x))=ΣuP(y|x,u)P(u)P(y | \textit{do}(X = x)) = \sum_u P(y | x, u) P(u) ve P( y| yapmak (X= …

12 self-study  causality  graph-theory  dag