«estimation» etiketlenmiş sorular

Bu etiket çok genel; lütfen daha belirgin bir etiket sağlayın. Belirli tahmin edicilerin özellikleriyle ilgili sorular için bunun yerine [tahmin ediciler] etiketini kullanın.

3
Nüfus r-kare değişiminde güven aralığı nasıl elde edilir
Basit bir örnek uğruna iki doğrusal regresyon modeli olduğunu varsayalım. Model 1 sahiptir üç belirleyicileri x1a, x2bvex2c Model 2, model 1'den üç öngörücüye ve iki ek öngörücüye sahiptir x2avex2b Kitle varyansı olduğu açıklanmıştır nüfus regresyon denklemi vardır Model 1 için ve Model 2 için artan varyans nüfus içinde Model 2 …


1
Makine öğrenimi için istatistik, başlayacak makaleler?
Bilgisayar programlama ve temel sayı teorisinde bir geçmişim var, ancak gerçek bir istatistik eğitimi yok ve son zamanlarda bir dizi tekniğin muhteşem dünyasının aslında istatistiksel bir dünya olduğunu "keşfettim". Matris çarpanlarına ayırma, matris tamamlama, yüksek boyutlu tensörler, düğünler, yoğunluk tahmini, Bayes çıkarsama, Markov bölümleri, özvektör hesaplaması, PageRank'ın tümü son derece …

1
Zaman olaylarının uzun kuyruklu dağılımı
Bir web sunucusunun günlüklerine sahip olduğunuzu varsayalım. Bu günlüklerde bu tür tupl'ler var: user1, timestamp1 user1, timestamp2 user1, timestamp3 user2, timestamp4 user1, timestamp5 ... Bu zaman damgaları, örneğin kullanıcıların tıklamalarını temsil eder. Şimdi, user1siteyi ay boyunca birden çok kez (oturumlar) ziyaret edecek ve her oturum sırasında her kullanıcının tıklamalarını alacaksınız …

1
Anova () ve drop1 () neden GLMM'ler için farklı cevaplar verdi?
Formun bir GLMM var: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Kullandığımda , araç paketinden veya drop1(model, test="Chi")kullandığımdan farklı sonuçlar alıyorum . Bu son ikisi aynı cevapları verir.Anova(model, type="III")summary(model) Bir grup uydurma veri kullanarak, bu iki yöntemin normalde farklı olmadığını gördüm. Dengeli doğrusal …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

1
Örnek ortalama bir anlamda dağılım ortalamasının “en iyi” tahmini midir?
Büyük sayıların (zayıf / güçlü) yasasına göre, bir dağıtımın bazı x xbb math , örnek ortalamaları , olasılık boyutunda ve örnek boyutu olarak dağıtım ortalamasına yakınsar. sonsuzluğa gider.{xi∈Rn,i=1,…,N}{xi∈Rn,i=1,…,N}\{x_i \in \mathbb{R}^n, i=1,\ldots,N\}f∗({xi,i=1,…,N}):=1N∑Ni=1xif∗({xi,i=1,…,N}):=1N∑i=1Nxif^*(\{x_i, i=1,\ldots,N\}):=\frac{1}{N} \sum_{i=1}^N x_i NNN Örneklem büyüklüğü sabit olduğunda, LLN tahmincisi bir anlamda en iyi tahmin edicidir mi acaba? Örneğin,NNNf∗f∗f^* …

3
Ölçülemeyen bir olayın olasılığı
Ölçme teorisinden, ölçülemeyen olaylar olduğunu biliyoruz, yani Lebesgue ölçülebilir değildir. Olasılık ölçüsünün tanımlanmadığı ihtimali olan bir olaya ne denir? Böyle bir olay hakkında ne tür açıklamalar yaparız?

2
M-tahmin edicisinin gerçek ortama yaklaşması için koşullar
Bir gauss dağıtımından ve M tahmincisinden , üzerinde özellikleri neler garanti etmek için yeterli olasılık? Mı kesinlikle dışbükey olmak ve kesinlikle yeterli artan?X1,...,Xn∼N(μ,σ)X1,...,Xn∼N(μ,σ)X_1,...,X_n \sim N(\mu,\sigma) μm=argmina∑ρ(|Xi−a|)μm=argmina∑ρ(|Xi−a|)\mu_m = \underset{a}{\operatorname{argmin}} \sum\rho(|X_i-a|)ρρ\rhoμm→μμm→μ\mu_m \rightarrow \muρρ\rho
10 estimation 

3
Bir veri örneğinden Zipf kesik dağılımı için parametreleri nasıl tahmin edebilirim?
Zipf için tahmin parametresiyle ilgili bir sorunum var. Benim durumum şudur: (Zipf dağıtımını takip etmesi gereken çağrıları üreten bir denemeden ölçülen) bir örnek kümesi var. Bu jeneratörün zipf dağıtımı ile gerçekten aramalar yaptığını göstermek zorundayım. Zaten bu soru ve cevapları okudum Zipf'in yasa katsayısını bir dizi üst frekanstan nasıl hesaplayabilirim? …

3
Üstel modelin tahmini
Üstel model, aşağıdaki denklemle açıklanan bir modeldir: yi^=β0⋅eβ1x1i+…+βkxkiyi^=β0⋅eβ1x1i+…+βkxki\hat{y_{i}}=\beta_{0}\cdot e^{\beta_{1}x_{1i}+\ldots+\beta_{k}x_{ki}} Bu modeli tahmin etmek için kullanılan en yaygın yaklaşım, her iki tarafın logaritmalarını hesaplayarak kolayca yapılabilen doğrusallaştırmadır. Diğer yaklaşımlar nelerdir? Özellikle bazı gözlemlerde başa ilgileniyorum .yi=0yi=0y_{i}=0 31.01.2011 Güncellemesi Bu modelin sıfır üretemediğinin farkındayım. Modellediğim şeyi ve bu modeli neden seçtiğimi biraz …

1
UMVUE değerini bul
İzin Vermek X1,X2, . . . ,XnX1,X2,...,XnX_1, X_2, . . . , X_n pdf'ye sahip rastgele değişkenlerin olması fX( x ∣ θ ) = θ ( 1 + x)- ( 1 + θ )ben( 0 , ∞ )( x )fX(x∣θ)=θ(1+x)−(1+θ)I(0,∞)(x)f_X(x\mid\theta) =\theta(1 +x)^{−(1+\theta)}I_{(0,\infty)}(x) nerede θ > 0θ>0\theta >0. UMVUE değerini verin1θ1θ\frac{1}{\theta} …

3
PDF tahmin yöntemlerini değerlendirmenin en iyi yolu
Gördüğüm her şeyden daha iyi olduğunu düşündüğüm bazı fikirlerimi test etmek istiyorum. Yanlış olabilirdim ama fikirlerimi test etmek ve şüphelerimi daha kesin gözlemlerle yok etmek istiyorum. Yapmayı düşündüğüm şey şudur: Bir dağılım kümesini analitik olarak tanımlar. Bunlardan bazıları Gauss, üniforma veya Tophat gibi kolay olanlar. Ancak bunların bazıları Simpsons dağılımı …

1
Tanımlamadan Kestirime
Şu anda Pearl'ün nedensellik ve bir modelin parametrik olmayan kimliği ile gerçek tahmin arasındaki bağlantıyı kurmak için mücadele konusundaki makalesini (Pearl, 2009, 2. baskı) okuyorum. Ne yazık ki, Pearl'ün kendisi bu konuda çok sessiz. Örnek vermek gerekirse, nedensel bir yolla aklıma gelen basit bir modelim var, x → z→ yx→z→yx …


3
Verilerin olasılık dağılımını tahmin etmek için parametrik olmayan farklı yöntemler
Bazı verilerim var ve ona düzgün bir eğri uydurmaya çalışıyordum. Bununla birlikte, bu konuda çok fazla önceki inanç veya çok güçlü ön kavrayışlar (sorumun geri kalanında ima edilenler hariç) veya belirli dağıtımlar uygulamak istemiyorum. Sadece pürüzsüz bir eğriye uydurmak istedim (veya gelebilecek olasılık dağılımını iyi bir şekilde tahmin etmek istedim). …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.