«multivariate-analysis» etiketlenmiş sorular

Aynı anda birden fazla değişkenin analiz edildiği ve bu değişkenlerin ya bağımlı (yanıt) değişkenler ya da analizdeki tek değişkenler olduğu durumlarda analizler. Bu, birden fazla yordayıcı (bağımsız) değişken anlamına gelen "çoklu" veya "çok değişkenli" analiz ile karşılaştırılabilir.

1
GBM kullanarak GBM paketi ve Caret
Model kullanarak ayar yapıyordum caret, ancak gbmpaketi kullanarak modeli yeniden çalıştırıyorum . Anladığım kadarıyla caretpaketin kullandığı gbmve çıktı aynı olmalı. Bununla birlikte, sadece hızlı bir test çalıştırması data(iris), değerlendirme metriği olarak RMSE ve R ^ 2 kullanılarak modelde yaklaşık% 5 tutarsızlık gösterir. Kısmi bağımlılık grafiklerini kullanmak için en iyi model …



2
Verilerin bir gauss dağılımı olduğunda, kaç örnek onu karakterize eder?
Tek bir boyutta dağıtılan Gauss verileri, onu karakterize etmek için iki parametre gerektirir (ortalama, varyans) ve söylentiye göre, rasgele seçilen yaklaşık 30 örnek genellikle bu parametreleri makul derecede yüksek bir güvenle tahmin etmek için yeterlidir. Ancak boyut sayısı arttıkça ne olur? İki boyutta (örneğin, boy, ağırlık) bir "en uygun" elipsi …

3
Parametreleştirilebilir kovaryans matrisi ile pozitif k-boyutlu çeyrek üzerinde dağılımlar nelerdir?
Aşağıdaki zzk 'ın sorusu negatif simülasyonları ile yaptığı problem üzerinde, ben, pozitif k boyutlu kadran üzerindeki dağılımları parametrized aileleri ne merak ediyorum kovaryans matrisi kendisi için seti olabilir. ΣRk+R+k\mathbb{R}_+^kΣΣ\Sigma Zzk ile tartışıldığı gibi , üzerindeki bir dağılımdan başlayıp doğrusal dönüşümünü uygulamak işe yaramaz. x⟶ Σ 1 / 2 (X-μ)+μRk+R+k\mathbb{R}_+^kX⟶Σ1/2(X−μ)+μX⟶Σ1/2(X−μ)+μX \longrightarrow\Sigma^{1/2} …

2
Split-Plot ANOVA: R'de model karşılaştırma testleri
R'deki Xve Margümanlarıyla kullanım için uygun model karşılaştırmaları kullanarak Split-Plot ANOVA'daki efektleri nasıl test edebilirim anova.mlm()? Bildiğim kadar ?anova.mlmve Dalgaard (2007) [1]. Ne yazık ki sadece Split-Plot Tasarımları fırçalar. Bunu iki denek faktörü ile tamamen rastgele bir tasarımda yapmak: N <- 20 # 20 subjects total P <- 3 # …

1
Örnek kovaryans matrisi ters çevrilemezse ne yapmalı?
Bazı kümeleme teknikleri üzerinde çalışıyorum, burada belirli bir d-boyut vektörleri kümesi için çok değişkenli normal dağılım varsayıyorum ve örnek d-boyutlu ortalama vektörü ve örnek kovaryans matrisini hesaplıyorum. Sonra yeni, görünmeyen, d boyutlu bir vektörün bu kümeye ait olup olmadığına karar vermeye çalışırken mesafesini şu ölçü ile kontrol ediyorum: ( Xben- …

1
Çok değişkenli zaman serileri için önyükleme bloğuna alternatif
Şu anda R'de çok değişkenli bir zaman serisini önyüklemek için aşağıdaki işlemi kullanıyorum: Blok boyutlarını belirlemek - fonksiyonu çalıştırmak b.stariçinde npher bir seri için bir blok boyutu üreten paket Maksimum blok boyutunu seçin tsbootSeçili blok boyutunu kullanarak herhangi bir seride çalıştırın Çok değişkenli zaman serilerini yeniden yapılandırmak için bootstrap çıktısından …

1
Çok değişkenli doğrusal regresyon ve çeşitli tek değişkenli regresyon modelleri
Tek değişkenli regresyon ayarlarında, y=Xβ+noisey=Xβ+noisey = X\beta +noise burada bir vektör gözlem ve tasarım matris belirleyicileri. Çözüm .y∈Rny∈Rny \in \mathbb{R}^nnnnX∈Rn×mX∈Rn×mX \in \mathbb{R}^{n \times m}mmmβ0=(XTX)−1Xyβ0=(XTX)−1Xy\beta_0 = (X^TX)^{-1}Xy Çok değişkenli regresyon ayarlarında, Y=Xβ+noiseY=Xβ+noiseY = X\beta +noise burada gözlem matrisidir ve farklı gizli değişkenler. Çözüm .y∈Rn×py∈Rn×py \in \mathbb{R}^{n \times p}nnnpppβ0=(XTX)−1XYβ0=(XTX)−1XY\beta_0 = (X^TX)^{-1}XY Sorum …

1
2D normal dağılım yarıçapının örnekleme dağılımı
Ortalama ile iki değişkenli normal dağılım ve kovaryans matrisi olabilir kutupsal koordinatlarda yazılı yeniden yarıçapı ile ve açı . Sorum şu: örnek dağılımı nedir bir noktaya gelen mesafenin olduğu, tahmin merkezi için örnek kovaryans matrisi verilmiş ?μμ\muΣΣ\Sigmarrrθθ\thetar^r^\hat{r}xxxx¯x¯\bar{x}SSS Arka plan: gerçek mesafe bir noktadan x anlamına μ bir şu Hoyt dağılımı …

4
MANOVA ve bağımlı değişkenler arasındaki korelasyonlar: ne kadar güçlü çok güçlü?
Bir MANOVA'daki bağımlı değişkenler "çok güçlü bir şekilde ilişkili" olmamalıdır. Fakat bir korelasyon ne kadar güçlü? İnsanların bu konuda fikirlerini almak ilginç olurdu. Örneğin, aşağıdaki durumlarda MANOVA ile devam eder misiniz? Y1 ve Y2, ve ile ilişkilidirr = 0.3r=0.3r=0.3p &lt; 0.005p&lt;0.005p<0.005 Y1 ve Y2, ve ile ilişkilidirr = 0.7r=0.7r=0.7p = …

3
Çok boyutlu zaman serileri ile müdahale analizi
Zaman içinde alkol satışı ile ilgili politika kararının sonuçlarını ölçmek için bir müdahale analizi yapmak istiyorum. Bununla birlikte, zaman serisi analizinde oldukça yeniyim, bu yüzden bazı yeni başlayanlar sorularım var. Literatür incelendiğinde, diğer araştırmacıların, alkolün zaman serisi satışlarını modellemek için ARIMA'yı kullandığını ve müdahalenin etkisini modellemek için regresör olarak kukla …

1
R / mgcv: te () ve ti () tensör ürünleri neden farklı yüzeyler üretir?
mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 &lt;- …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

2
Yumuşak eşikleme ile Kement cezalandırması
Şimdiye kadar yüksek boyutlu veri kümeleriyle cezalandırılmış çok değişkenli analizde anladığımı özetlemeye çalışıyorum ve hala yumuşak eşikleme ile Kement (veya ) doğru bir tanımını elde mücadele ediyorum .L1L1L_1 Daha kesin olarak, genomik veriler ( tek nükleotid polimorfizmleri dahil olmak üzere 2 bloklu veri yapısını analiz etmek için seyrek PLS regresyonunu …

3
Doğrusal bir diskriminant analizindeki (LDA) ölçeklendirme değerleri, doğrusal diskriminantlar üzerindeki açıklayıcı değişkenleri çizmek için kullanılabilir mi?
Temel bileşen analizi ile elde edilen değerlerin bir biplotunu kullanarak, her bir temel bileşeni oluşturan açıklayıcı değişkenleri incelemek mümkündür. Bu Doğrusal Ayırım Analiziyle de mümkün müdür? Sağlanan örneklerde veriler "Edgar Anderson'ın İris Verileri" dir ( http://en.wikipedia.org/wiki/Iris_flower_data_set ). İşte iris verileri : id SLength SWidth PLength PWidth species 1 5.1 3.5 …

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