Pytania otagowane jako multivariate-analysis

Analizuje, gdzie analizowanych jest jednocześnie więcej niż jedna zmienna, a te zmienne są albo zależne (reakcyjne), albo jedyne w analizie. Można to skontrastować z analizą „wielokrotną” lub „wielowymiarową”, która zakłada więcej niż jedną zmienną predykcyjną (niezależną).

1
Pakiet GBM vs. Caret korzystający z GBM
Stroiłem model przy użyciu caret, ale potem ponownie uruchomiłem model przy użyciu gbmpakietu. Rozumiem, że caretpakiet używa gbmi wynik powinien być taki sam. Jednak tylko szybki test przy użyciu data(iris)wykazuje rozbieżność w modelu około 5% przy użyciu RMSE i R ^ 2 jako metryki oceny. Chcę znaleźć optymalną wydajność modelu …
2
W jaki sposób sprawdzić, czy próbki dwóch rozkładów wielowymiarowych są pobierane z tej samej populacji podstawowej?
Powiedzmy, że otrzymujesz dwa wielowymiarowe zestawy danych, powiedzmy stary i nowy, i że powinny być one wygenerowane przez ten sam proces (dla którego nie masz modelu), ale być może gdzieś wzdłuż linii zbierania / tworzenia dane, coś poszło nie tak. Nie chcesz używać nowych danych jako, powiedzmy, zestawu sprawdzającego poprawność …
2
Kiedy dane mają rozkład gaussowski, ile próbek je scharakteryzuje?
Dane gaussowskie rozmieszczone w jednym wymiarze wymagają dwóch parametrów do jego scharakteryzowania (średnia, wariancja), a plotka głosi, że około 30 losowo wybranych próbek jest zwykle wystarczających do oszacowania tych parametrów z dość dużą pewnością. Ale co się stanie, gdy liczba wymiarów wzrośnie? W dwóch wymiarach (np. Wysokość, waga) potrzeba 5 …
3
Jakie są rozkłady na dodatnim kwadrancie k-wymiarowym z parametryzowalną macierzą kowariancji?
W następstwie ZZK jest pytanie o jego problem z ujemnymi symulacji, zastanawiam się jakie są parametryzowane rodziny rozkładów na dodatniej k-wymiarowa ćwiartce, , dla których kowariancji macierzy może być ustawiony.Rk+R+k\mathbb{R}_+^kΣΣ\Sigma Jak omówiono z zzk , rozpoczęcie od rozkładu na i zastosowanie transformacji liniowej nie działa.Rk+R+k\mathbb{R}_+^kX⟶ Σ1 / 2( X- μ …
1
Co zrobić, gdy macierz kowariancji próbki nie jest odwracalna?
Pracuję nad niektórymi technikami grupowania, w których dla danej grupy wektorów wymiaru d zakładam wielowymiarowy rozkład normalny i obliczam przykładowy średni wektor d-wymiarowy i macierz kowariancji próbki. Potem, gdy stara się zdecydować, czy nowy, niewidzialny, d-wymiarowy wektor należy do tego klastra ja sprawdzając jego odległość za pośrednictwem tego środka: ( …
1
Alternatywa dla blokowania bootstrap dla wielowymiarowych szeregów czasowych
Obecnie używam następującego procesu do ładowania wielowymiarowego szeregu czasowego w R: Określ rozmiary bloków - uruchom funkcję b.starw nppakiecie, która tworzy rozmiar bloku dla każdej serii Wybierz maksymalny rozmiar bloku Uruchom tsbootw dowolnej serii, używając wybranego rozmiaru bloku Użyj indeksu z danych wyjściowych bootstrap, aby zrekonstruować wielowymiarowe szeregi czasowe Ktoś …
1
Rozkład próbkowania promienia rozkładu normalnego 2D
Dwuwymiarowy rozkład normalny ze średnią i macierzą kowariancji można ponownie zapisać we współrzędnych biegunowych o promieniu kącie . Moje pytanie brzmi: jaki jest rozkład próbkowania , to znaczy odległość od punktu do szacowanego środka danej macierzy kowariancji próbki ?μμ\muΣΣ\Sigmarrrθθ\thetar^r^\hat{r}xxxx¯x¯\bar{x}SSS Tło: Rzeczywista odległość od punktu oznacza, że zgodne z rozkładem Hoyta …
4
MANOVA i korelacje między zmiennymi zależnymi: jak silny jest zbyt silny?
Zmienne zależne w MANOVA nie powinny być „zbyt silnie skorelowane”. Ale jak silna korelacja jest zbyt silna? Interesujące byłoby uzyskanie opinii ludzi na ten temat. Na przykład, czy kontynuowałbyś MANOVA w następujących sytuacjach? Y1 i Y2 są skorelowane z ip &lt; 0,005r = 0,3r=0.3r=0.3p &lt; 0,005p&lt;0.005p<0.005 Y1 i Y2 są …
3
Analiza interwencji z wielowymiarowymi szeregami czasowymi
Chciałbym przeprowadzić analizę interwencyjną w celu oszacowania wyników decyzji politycznej dotyczącej sprzedaży alkoholu w czasie. Jestem jednak całkiem nowy w analizie szeregów czasowych, więc mam kilka pytań dla początkujących. Analiza literatury ujawnia, że ​​inni badacze wykorzystali ARIMA do modelowania sprzedaży alkoholu w szeregu czasowym, przy czym zmienne zastępcze służą jako …
1
R / mgcv: Dlaczego produkty tensorowe te () i ti () wytwarzają różne powierzchnie?
mgcvOpakowanie Rposiada dwie funkcje montowania interakcji produktów napinacz: te()i ti(). Rozumiem podstawowy podział pracy między nimi (dopasowanie interakcji nieliniowej vs. rozkładanie tej interakcji na główne efekty i interakcję). To, czego nie rozumiem, to dlaczego te(x1, x2)i ti(x1) + ti(x2) + ti(x1, x2)może powodować (nieznacznie) różne wyniki. MWE (dostosowany z ?ti): …
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
Próg miękki a penalizacja Lasso
Staram się podsumować to, co do tej pory rozumiałem w karanej analizie wielowymiarowej z wielowymiarowymi zestawami danych, i wciąż uzyskanie właściwej definicji kary miękkiego progowania w porównaniu z penalizacją Lasso (lub ).L1L1L_1 Dokładniej, wykorzystałem rzadką regresję PLS do analizy 2-blokowej struktury danych, w tym danych genomowych ( polimorfizmy pojedynczego nukleotydu …
3
Czy wartości skalowania w liniowej analizie dyskryminacyjnej (LDA) można wykorzystać do wykreślenia zmiennych objaśniających na liniowych dyskryminatorach?
Korzystając z dwójki wartości uzyskanych w wyniku analizy głównego składnika, możliwe jest zbadanie zmiennych objaśniających, które składają się na każdy podstawowy składnik. Czy jest to również możliwe w przypadku liniowej analizy dyskryminacyjnej? Podane przykłady wykorzystują Dane to „Dane Iris Edgara Andersona” ( http://en.wikipedia.org/wiki/Iris_flower_data_set ). Oto dane tęczówki : id SLength …
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.