_id stringlengths 1 6 | text stringlengths 0 7.5k | title stringlengths 0 167 |
|---|---|---|
105539 | من یک مجموعه داده با 260 بیمار دارم. هدف من مطالعه عوامل مرتبط با یافته های خاص در تصویربرداری رزونانس مغناطیسی است. من از رگرسیون لجستیک با شش پیش بینی کننده استفاده می کنم. رگرسیون به چندین پیش بینی کننده قابل توجه می رسد. اما من دغدغه های فلسفی دارم. R Nagelkerke فقط 20٪ است. مدل من در مقایسه با مدل خالی قابل توجه است. تنها 7 درصد از نتایج مثبت را می توان پیش بینی کرد. با این حال، تشخیصها نشان میدهند که تنها ده مورد، باقیماندههای خارج از 1.96 SD را نرمال کردهاند. علاوه بر این، معیارهای اهرمی 3 برابر مقدار میانگین در 250 مورد برآورده شده است. با این حال به من گفته شده است که من با R2 پایین (http://www.theanalysisfactor.com/small-r-squared/) خیلی عمیق به این واقعیت نگاه نمی کنم. مدل پیشبینیکننده اما در عوض برای مطالعه رابطه بین پیشبینیکنندهها و نتیجه، R2 پایین را میتوان تا آنجا که مدل من بهتر از مدل خالی است، تحمل کرد دربرگیرنده همه پیشبینیکنندههای مرتبط به احتمال زیاد آنهایی هستند که میتوان آنها را به روشی معقول اندازهگیری کرد تجزیه و تحلیل با یافته های آماری ذکر شده در بالا و آیا مبنایی برای تمایز بین رگرسیون لجستیک پیش بینی کننده در مقابل مطالعه رگرسیون لجستیک وجود دارد؟ | نگرانی های نظری در رگرسیون لجستیک |
79812 | بنابراین، اگر دادهها را به یک تابع برازانم، تقریباً همیشه میتوانید $\chi_{\nu}^2$ را با افزودن پارامترهای رایگان بیشتر کاهش دهید. با این حال، این مضحک می شود اگر شما یک چند جمله ای 100 مرتبه را در یک مجموعه داده خط مستقیم قرار دهید. بدیهی است نقطه ای وجود دارد که اضافه کردن پارامترها را متوقف می کنید! آیا ابزار کمی برای یافتن این نقطه به جز شهود وجود دارد؟ من در مورد آزمون F شنیده ام اما در مورد نحوه استفاده از آن مطمئن نیستم! با تشکر | تیغ Occam (چه زمانی مناسب است پارامتر رایگان دیگری اضافه شود؟) |
105537 | من لیستی از نمرات شخصیتی دارم که از 100 نفر بر اساس تست شخصیتی بیگ فایو به دست آمده است. هر فرد برای هر یک از پنج صفت ارزیابی شده یک امتیاز دارد. من این امتیازها را در یک بردار ویژگی 5 بعدی قرار دادم، بنابراین شخصیت هر فرد اکنون با این بردار 5 عنصری نشان داده می شود. من می خواهم بدانم که چگونه ویژگی های شخصیتی در هر فرد مرتبط است. به عنوان مثال، اگر فردی در برون گرایی امتیاز بالایی کسب کند، چگونه در باز بودن امتیاز می گیرد؟ و من میخواهم بدانم که آیا میتوانم این را تعمیم دهم و آیا نمرات افراد تمایل به خوشهبندی دارند یا پراکندهتر هستند. هدف بلند مدت من ساختن یک شناسایی کننده شخصیت است و می خواهم برای هر خوشه شخصیتی (در صورت وجود) مدلی را آموزش دهم. چگونه می توانم به این موضوع نزدیک شوم؟ در فضای سه بعدی، من یک نمودار پراکندگی سه بعدی از داده ها می سازم و نحوه توزیع آن ها را می بینم. اما چگونه می توانم آن را برای 5 بعدی انجام دهم؟ اگر اقدامات آماری را می شناسید که می تواند کمک کند، من آماده پیشنهادات هستم (من یک آمارگیر نیستم و چیز زیادی در این مورد نمی دانم). پیشاپیش متشکرم | طرح مناسب برای بردارهای ویژگی 5 بعدی؟ |
112133 | من پیشبینیهای تحلیلگران را جمعآوری کردم و سوگیری و دقت را محاسبه کردم، مانند: $bias=actual-forecast$ $accuracy=abs(actual-forecast)$ چیزی که در تعجبم اکنون در مورد نحوه محاسبه آماره t برای تعیین تعصب میانه است. تفاوت قابل توجهی با صفر دارد. من از R استفاده می کنم و تابع t.test را برای محاسبه میانگین معنی پیدا کردم اما چیزی مناسب برای میانه پیدا نکردم. (در مورد من به آزمون t یک نمونه نیاز دارم) | نحوه بدست آوردن t-value برای معنی دار بودن میانه |
34970 | به خوبی شناخته شده است (به عنوان مثال در زمینه سنجش فشاری) که هنجار $L_1$ القا کننده پراکندگی است، به این معنا که اگر ما تابعی را به حداقل برسانیم (برای ماتریس ثابت $A$ و بردار $\vec{b }$) $$f_{A,\vec{b}}(\vec{x})=\|A\vec{x}-\vec{b}\|_2^2+\lambda\|\vec{x}\ |_1$$ برای $\lambda>0$ به اندازه کافی بزرگ، ما احتمالاً برای بسیاری از گزینههای $A$، $\vec{b}$، و $\lambda$ هستیم که بسیاری از ورودیهای دقیقاً صفر در حاصل $\vec{x}$. اما اگر $f_{A,\vec{b}}$ را با این شرط که ورودیهای $\vec{x}$ مثبت و مجموع آنها $1$ باشد، کوچک کنیم، عبارت $L_1$ هیچگونه ندارد. اثر (زیرا $\|\vec{x}\|_1=1$ توسط فیات). آیا تنظیمکننده مشابهی از نوع $L_1$ وجود دارد که در این مورد برای تشویق به پراکندگی $\vec{x}$ حاصل کار میکند؟ | منظمسازی القای پراکندگی برای ماتریسهای تصادفی |
33477 | اجازه دهید X = [94، 10، 100، 100، 16، 14، 100، 100، 70، 88، 100، 100، 12، 100، 100، 58، 32، 100، 32، 36، 91، , 100, 100]$ که در آن X$ نمرات دانش آموزان است (بین 0 تا 100)، و بسیاری از نمرات کامل را یادداشت کنید! سوال این است که چه آماری داده ها را به بهترین وجه توصیف می کند (توجه داشته باشید داده ها غیر گاوسی هستند) **گزینه 1** اگر با استفاده از حداکثر احتمال با گاوسی مطابقت داشته باشم، میانگین نمونه = 70.4 و SD = 37.96 را دریافت خواهم کرد، بنابراین میانگین +/ - 1 SD فاصله ای از 32.43 تا 108.36 را می دهد. در نهایت، اگر با استفاده از «normfit» در «matlab(R)» یک گاوسی را با دادههای $X$ مطابقت دهم و یک اطمینان 95% در حد میانگین و انحراف استاندارد بدست بیاورم، $$ \begin{aligned} \mu & را دریافت میکنم. = 70.4 ; &CI_{95\%} = [54.73, 86.06] \\\ \sigma &= 37.96 ; &CI_{95\%} = [29.64، 52.80] \end{aligned} $$ **گزینه 2** از سوی دیگر، اگر به جای آن از SD چپ/راست استفاده کنم، چه؟ به عنوان مثال، برای گزارش دو مقدار SD، SD_left و SD_right جایی که: $$ \begin{aligned} SD_{left} &= \sqrt{\frac{1}{N_{left}} * \sum(X*I(X< \mu) - \mu)^2} &= 49.94 \\\ SD_{راست} &= \sqrt{\frac{1}{N_{راست}} * \sum(X*I(X\ge\mu) - \mu)^2} &= 29.45 \end{aligned} $$ جایی که $\mu= 70.4$ میانگین است، $N_{left} = \sum(I(X<\mu)) - 1 = 9$ تعداد نمونهها کمتر از میانگین است (منهای 1 برای حذف بایاس) و $I$ تابع نشانگر است که اگر آرگومانش درست باشد 1 می دهد یا 0. $N_{right} = \sum(I(X\ge\mu)) - 1 = 14$ در این مورد فاصله حول میانگین [20.46، 99.85] است، به جای نتیجه قبلی، [32.43، 108.36]. برای کدام یک بروم، 1 یا 2؟ | SD صحیح برای به دست آوردن 95٪ CI برای داده های کج چیست؟ |
27540 | من یک متغیر پاسخ (y) و 20 متغیر مستقل (Xs) دارم. من می خواهم چندین X را در رگرسیون خطی انتخاب کنم، اما مطمئن نیستم که چند متغیر باید انتخاب شود. برای انتخاب بهترین تعداد متغیرها، از مجموع مجذور باقیمانده ها (Res) در اعتبارسنجی متقاطع 10 برابری با توجه به N متغیر انتخاب شده استفاده می کنم (N=2~20). این فرآیند با توجه به هر N 1000 بار تکرار میشود. ایده من این است که ابتدا Res باید کاهش یابد زیرا متغیر بیشتر میتواند y را بهتر توضیح دهد و سپس باید افزایش یابد زیرا متغیرهای بیش از حد باید منجر به برازش بیش از حد شود. در کمال تعجب، با افزایش N، Res به طور مداوم کاهش می یابد (شکل را ببینید). نمیدونم چطوری توضیح بدم آیا به این معنی است که همه 20 متغیر به y کمک می کنند یا برازش بیش از حد اتفاق افتاده است؟ **P.S.:** حدود 600 نقطه داده وجود دارد. Res به عنوان مجموع مجذور اختلاف بین y مشاهده شده و y پیش بینی شده در هر اعتبارسنجی متقاطع 10 برابری محاسبه می شود.  | بیش از حد برازش در اعتبارسنجی متقابل |
106131 | من مدلی دارم که خطا متناسب با توان است. این است، مشاهداتی که من دریافت کردم از یک ابزار اندازه گیری است که مقداری خطا دارد و موادی را که در سطل های کوچکی از آن عبور می کنند اندازه گیری می کند. من مدل را به صورت زیر تخمین می زنم $$ x_i = x~(1 + \epsilon_X) \\\ \epsilon_X \sim N(\mu_X,\sigma_X) $$ همچنین می توانم از طریق ابزار دیگری تعیین کنم، کل مواد را قبل از و پس از آن، بنابراین می توانم (بعد از ساده کردن) $$ \delta_i = \delta + \epsilon_D' \approx x_i \\\ را بیان کنم \epsilon_D' = \epsilon_D^1 - \epsilon_D^2 \\\ \epsilon_D^{\\{1,2\\}} \sim N(\mu_D, \sigma_D) $$ میانگین $\mu_D$ نیست مهم است، زیرا در $\epsilon_D'$ لغو می شود، اما ** میانگین $\epsilon_X$، اگر صفر نباشد، همان چیزی است که من هستم بعد از **. همه چیز پیچیده می شود زیرا واریانس $x_i$ به توان عملیاتی واقعی بستگی دارد، بنابراین به نظر می رسد که من در مدل ناهمگونی دارم. به عبارت دیگر، $\epsilon_X$ به عنوان درصد تصادفی کمیت اندازه گیری شده داده می شود. بنابراین، من تعدادی خوانش $\delta_i$، با نویز تصادفی دارم. و مجموعه دیگری از خوانش های $x_i$ با نویز مانند بالا. آنها باید مطابقت داشته باشند، اما آنها به دلیل سر و صدا نیستند. در واقع، من علاقه مند به این مشکل هستم که بفهمم آیا نویز در $x_i$ صفر میانگین نیست یا خیر. هر گونه اشاره خواهد شد قدردانی می شود. **به روز رسانی** برای آنچه ارزش دارد، علاوه بر پاسخ _Alecos'_، آنچه را که _seanv507_ پیشنهاد کرد نیز امتحان کردم: با میانگین کردن $(1/n)\sum_{i=1}^n(Ln(x_i)-Ln( \delta_i))$، و سپس با $Exp(.)$ برگردید. بسیار نزدیک به مدل نسبت است (همانطور که $1+x \تقریبا e^x$ برای _x_ کوچک گفته شد) با مزیت_ اضافی که $x_i$ است هرگز در این مدل منفی نیست (اگر این چیزی است که شخص میخواهد). | میانگین درصد خطا را بر اساس اندازه گیری گاوسی دیگر تخمین بزنید |
34972 | من سعی می کردم با استفاده از یک ماشین بردار پشتیبان، یک طبقه بندی کننده برای مجموعه ای از اسناد بسازم. من انتخاب می کنم که فضای ویژگی را با استفاده از وقوع اصطلاح بسازم. در حین آزمایش، سناریوی زیر را یافتم: هنگام حذف کلمات توقف، طبقهبندی کننده مبتنی بر svm با موفقیت ساخته شد. در غیر این صورت، هنگام نگه داشتن کلمات توقف، SVM نمی تواند ساخته شود و من یک پیغام خطا دریافت کردم بردار پشتیبانی یافت نمی شود. من در مورد این سناریو بسیار سردرگم هستم. دلیل احتمالی این سناریو چه می تواند باشد؟ | دلیل احتمالی شکست در ساخت ماشین بردار پشتیبان |
99088 | راه مناسب برای ارزیابی/تعیین ثبات تیراندازی 3 امتیازی بازیکن NBA چیست؟ به عنوان مثال، من بازیکنی دارم که 37 درصد از فاصله 3 امتیازی شوت می کند و در تمام سال 200 تلاش می کند. من در نظر داشتم میانگین 3 امتیازی تعداد ضربات دلخواه (مثلاً 20) را بگیرم. سپس از آن میانگین ها برای تعیین انحراف معیار از میانگین 37 درصد استفاده کنید. استفاده از اندازه نمونه متحرک 20 عکسی تنها به دقت 5 درصد در درصد تیراندازی اجازه می دهد، اما من نگرانم که استفاده از عکس های زیاد ناهماهنگی در عملکرد را آشکار نکند. آیا رویکرد بهتری برای تعیین ثبات وجود دارد؟ | محاسبه ثبات تیراندازی NBA |
71623 | فکر نمی کنم سوال آخرم را کامل توضیح دادم چون به عنوان تکراری علامت گذاری شده بود. من به سراغ سوال دیگر رفتم و چندین بار آن را خواندم، و سوال دیگری بود. تلاش مجدد: من دو متغیر دارم که هر دو بر Y تأثیر می گذارند و من برای هر کدام معادلات رگرسیون را محاسبه کردم. بر اساس ضرایب شیب، آیا می توانم تعیین کنم که آیا یکی پیش بینی کننده Y بهتر از دیگری است یا اینکه برای انجام این کار باید همبستگی را اکنون پیدا کنم؟ | پیش بینی های رگرسیون |
107468 | بنابراین من می دانم که هم انباشتگی به این معنی است که ترکیبی خطی از مجموعه متغیرها وجود دارد که ثابت است. بنابراین، اگر یک رگرسیون انجام دهید و باقیمانده های ثابت را بیابید، آیا می توانید بلافاصله بگویید اوه، بله این متغیرها همزمان هستند؟ از آنجا که شما فقط یک ترکیب خطی پیدا کرده اید که ثابت است؟ نگرانی من دلایل ذکر شده/پیامدهای بد است که چرا نباید رگرسیون را با متغیرهای روند/غیرمتفاوت/غیر ثابت انجام دهید. من آنها را در اینجا تکرار نمی کنم، اما یک اخطار همیشه این است که اوه، اما اگر این متغیرهای غیر ثابت با هم ترکیب شوند، می توانید پسرفت کنید. آیا این همان چیزی است که می گوییم بروید و رگرسیون ها را با هر متغیر غیر ثابتی که می خواهید امتحان کنید، و اگر باقیمانده ها ثابت هستند، می توانید بگویید، خوب بود که این رگرسیون را انجام دهید، زیرا این متغیرها هم انباشته هستند؟ خیلی ساده یا خیلی خوب به نظر می رسد که درست باشد. پیشاپیش ممنون | هم انباشتگی - همان چیزی که باقی مانده های ثابت است؟ |
83277 | **چرا در شرایطی که انتساب به گروه درمانی تصادفی است، میخواهیم تعداد متغیرهای پایه را کنترل کنیم؟ به عنوان خلاف واقع در نظر گرفته شود. تنها استثنایی که می توانم به آن فکر کنم این است که اندازه نمونه کوچک باشد و آن انتساب تصادفی همچنان می تواند گروه های نامتعادل ایجاد کند. هر گونه فکر بسیار قدردانی می شود. با تشکر | استفاده از متغیرهای کنترل در آزمایشات؟ |
102628 | من یک توزیع با انحراف راست دارم که این نمودار qq را در برابر یک نرمال با میانگین و انحراف معیار یکسان دارد:  داده ها عبارتند از تاخیر زمانی بین دو رویداد همچنین، این هیستوگرام داده ها است:  و این هم QQ-plot log(data + 1), vs نرمال از همان میانگین و انحراف استاندارد مقادیر log(data+1):  I. سعی کردهاند که Weibull، lognormal و Pareto را تطبیق دهند، بدون موفقیت. آیا فکری در مورد اینکه کاندیدای مناسب چه خواهد بود؟ | این توزیع چیست؟ |
73379 | من سه گروه آزمایش دارم. برای هر آزمایش به دنبال درصد وقوع مورد x هستم. در گروه اول 15 آزمایش دارم. مورد x 191/10 درصد از کل زمان برای 15 آزمایش مشاهده شد. در گروه دوم 6 آزمایش دارم. درصد x 1.564٪ است. در گروه سوم من 3 آزمایش دارم. درصد x 0 درصد است. من می خواهم نشان دهم که وقوع مورد x به طور قابل توجهی از گروه یک به دو و به سه کاهش یافته است. بنابراین من می خواهم مقادیر p را محاسبه کنم. آیا کسی می تواند به من بگوید چگونه آن را انجام دهم؟ ویرایش: تعداد اندازه گیری های گروه اول 22568 است و 10.191 درصد از این اندازه گیری ها مورد x می باشد. گروه دوم دارای 1854 اندازه گیری (1.564٪ هستند x) و گروه سوم دارای 1164 اندازه گیری (0٪ x) | محاسبه مقدار P |
38972 | در اینجا به دنبال مسیری می گردم. من مدلی برای پروژه ای دارم که در آن باید بین دسته ای از کاربران بین سرورهای مختلف بر اساس میزان استفاده آنها تعادل برقرار کنم. به عنوان مثال، سنگین ترین کاربران در سبک ترین سرور قرار می گیرند. مشکل الف: من چندین پارامتر داده برای هر سرور دارم مانند زمان پاسخگویی، اندازه دیسک و غیره. باید از این پارامترها استفاده کنم تا امتیازی برای سرور داشته باشم. مثال 1 تا 5. 5 بودن سرور با بیشترین استفاده. از چه روشی می توانم برای وزن دادن به پارامترهای مختلف استفاده کنم تا به امتیاز سرور برسم؟ مشکل ب: با استفاده از آن امتیازها، باید کاربران را بین این سرورها تقسیم کنم. من قبلاً برای هر کاربر یک امتیاز وزن دارم، مثلاً 1 تا 5. 1 کاربر سبک و 5 کاربر سنگین. بنابراین من اساساً باید سرورها را متعادل کنم، با قرار دادن کاربر با امتیاز 1 در سرور با امتیاز 5. من سعی می کنم از حل کننده اکسل برای انجام این کار استفاده کنم. پیشنهادی دارید؟ | ایجاد تعادل بین سرورها و کاربران |
71622 | من یک سوال کاملا ساده (و نه به خصوص جالب) در مورد نحوه ارائه یک آزمون دارم. وقتی در مورد ارزشهای انتقادی صحبت میکنم، فکر میکردم بیان درست (یا گستردهتر) چیست. به طور خاص، اگر برای مثال ناحیه رد با صدک 95 تعریف شده باشد، آیا ترجیح داده می شود که بگوییم از مقدار بحرانی مثلاً t در 95٪ یا در 5٪ استفاده می کنم؟ آیا از هر دو جهت صحیح است؟ آیا یکی «صحیحتر» از دیگری است؟ آیا اگر بیشتر مشخص نکنم دچار ابهام می شوم؟ آیا کنوانسیون هایی وجود دارد؟ آیا آنها بر اساس توزیع مورد نظر من متفاوت هستند؟ خیلی ممنون | ارزش بحرانی در 5٪ یا ارزش بحرانی در 95٪: روش صحیح بیان آن چیست؟ |
71626 | من یک دانشمند هستم و به هیچ وجه آمارگیر نیستم. من فکر می کنم یک سوال بسیار اساسی از همه شما دارم. من همان آزمایش را دو بار انجام داده ام (تجزیه و تحلیل سطوح یک پروتئین خاص) و سطوح را در حیوانات درمان نشده با حیوانات تحت درمان مقایسه می کنم. من آزمون t را با تصحیح ولچ انجام دادم (چون واریانس معنی داری وجود داشت). من روند مشابهی را مشاهده می کنم، اما هیچ یک از آزمایش ها به تنهایی به اهمیت آماری نمی رسند. آیا راهی برای ترکیب این دو آزمایش برای افزایش قدرت وجود دارد؟ اگرچه روند مشابه است، اما مقادیر واقعی بین آزمایشها متفاوت است، که فکر میکنم خطای استاندارد من را افزایش میدهد. همچنین، اگر کسی بداند چگونه این تحلیل را با استفاده از منشور graphpad انجام دهد، ایده آل خواهد بود. پیشاپیش از هرگونه کمکی که ممکن است ارائه دهید بسیار متشکریم. لطفا در صورت نیاز به اطلاعات بیشتر به من اطلاع دهید. | چگونه می توانم داده های 2 آزمایش جداگانه را ترکیب کنم؟ |
63487 | ببخشید دارم آمار اولیه ام را فراموش می کنم. | آیا معیارهای مقیاس لیکرت باید به صورت فاصله، نسبت، ترتیبی یا اسمی در نظر گرفته شوند؟ |
76394 | این کاملاً یک سؤال تئوری است (من به طور قانونی نمی توانم به یک برنامه واقعی فکر کنم)، اما اگر می خواهید یک متغیر توزیع شده دو جمله ای را با یک مخلوط دو جزئی نرمال تقریب بزنید، آیا یک فرم بسته برای پاسخ وجود دارد؟ به طور کلی، چه رویکردهای ارجح برای پاسخ دادن به سوالاتی از این دست است؟ من به تطابق لحظه نگاه میکردم، اما جبر خیلی زود پرمو شد. | تقریب توزیع دو جمله ای با مخلوط نرمال |
83270 | سلام انجمن اعتبارسنجی متقاطع، من در حال حاضر روی یک مشکل نه چندان آسان مربوط به آمار سفارش کار می کنم. از آنجایی که مطمئن نیستم چگونه می توانم آن را حل کنم، فکر کردم ممکن است از قبل راه حلی داشته باشد. بنابراین من اینجا هستم، سؤال من این است: آیا راه حل/تقریبی از پیش موجود برای احتمال زیر (یا راهی آسان برای حل آن می بینید) می شناسید؟ $$\pi = \Pr\left[G > c\right]، $$ که در آن $$G_1 = \max_{1 \leq j \leq K} \left(Z_{(j)} - Z_{(j - 1)}\right)، Z_{(0)} = 0، Z_j \sim N(\mu، \sigma^2) \text{ و } Z_i \perp Z_j، \forall i \ne j.$$ فقط برای روشن شدن چیزها، $Z_{(j)}$ آمار سفارش $j$th $Z_1، Z_2، \ldots، Z_K$ است. همچنین، اگر کمک کند، میتوان مشکل را به این شکل دوباره فرمولبندی کرد (اما من مورد بالا را ترجیح میدهم): $$G_2 = \max_{1 \leq j \leq K} \left(\tfrac{Z_{(j) }}{Z_{(j - 1)}}\right), Z_{(0)} = 1, Z_j \sim N(\mu, \sigma^2) \text{ و } Z_i \perp Z_j, \forall i \ne j.$$ میدانم که از نظر ریاضی، این عبارات معادل نیستند، اما برای $\mu \in (0, 1)$ و $\sigma$ به اندازه کافی کوچک، نباید مهم باشد. . با عرض پوزش اگر دقیقاً همان مشکل قبلاً ارسال شده بود، برای انگلیسی من متاسفم و پیشاپیش متشکرم! حداکثر //=============================================== ========================// **ETA**: بسیار خوب، کمی روی این مشکل _لعنتی_ کار کردم و متوجه شدم که برای $\mu \ در (0، 1) دلار، به عنوان مثال $\mu = 0.1$، و $\sigma$ به اندازه کافی کوچک است، به عنوان مثال. $\sigma = 0.01$، $G$ در واقع به $$G = \max_{1 \leq j \leq n} \left(Z_{(j)} - Z_{(j - 1)}\right) \ ساده میشود تقریباً Z_{(1)}.$$ بنابراین، احتمال $\pi$ به راحتی محاسبه می شود $$\pi = \Pr\left[G > c\right] \approx \Pr\left[Z_{(1)} > c\right] = {\left(1 - \Phi\left(\tfrac{c - \mu}{\sigma}\right)\right)}^K$ $ مقدار بحرانی $c$ نیز به راحتی استخراج می شود $${\left(1 - \Phi\left(\tfrac{c - \mu}{\sigma}\right)\right)}^K = \alpha \quad \Leftrightarrow \quad c = \mu + \Phi^{-1} \left(1 - \alpha^{\tfrac{1}{K}}\right)\sigma.$$ تمام کاری که اکنون باید انجام دهم (به غیر از یافتن راه حل کلی تر برای مشکل فوق) مقادیر $\mu$ و $\sigma$ را پیدا کنید که وابسته به زمینه هستند. اگر کسی فکر میکند که من باید جزئیات بیشتری را اضافه کنم، لطفاً به من اطلاع دهد. بالاخره من تازه وارد این انجمن هستم. به سلامتی | حداکثر فاصله بین آمار سفارش متغیرهای تصادفی معمولی توزیع شده است |
76397 | من در حال توسعه یک ابزار تعاملی آنلاین با استفاده از d3.js هستم و سعی می کنم زمان اجرا توابع را به صورت بلوک های مستطیلی و فراخوانی آنها به سایر توابع در ساختار درختی تجسم کنم. من می توانم جریان تابعی متوالی را تجسم کنم اما وقتی یک تابع والد همزمان دو تابع را فراخوانی می کند (یعنی همزمانی) گیر می کند. بلوک ها همپوشانی دارند و من می خواهم بلوک ها را بدون همپوشانی تجسم کنم و همچنین درخت زیرین را برای هر بلوک نشان دهم. لطفاً کسی می تواند الگوریتم های موجود را برای دستیابی به این تجسم به من پیشنهاد دهد. | نحوه تجسم بلوک های تابع همزمان در یک درخت |
112138 | من میخواهم یک نمودار منفرد تولید کنم که شامل هر دو باشد: (1) نمودار پراکندگی (2) هیستوگرام یا توابع چگالی هسته متغیرهای Y و X در سمت چپ محور Y و زیر محور X. من یک نمودار پیدا کردم که این کار را در MATLAB انجام می دهد -- من فقط می خواهم چیزی مشابه در Stata تولید کنم:  آن نمودار تولید شد با استفاده از کد متلب زیر: n = 1000; rho = 0.7; Z = mvnrnd([0 0], [1 rho; rho 1], n); U = normcdf(Z)؛ X = [gaminv(U(:،1)،2،1) tinv(U(:،2)،5)]; [n1,ctr1] = hist(X(:,1,20); [n2,ctr2] = hist(X(:,2,20); طرح فرعی (2،2،2); plot(X(:,1),X(:,2),'.'); axis([0 12 -8 8]); h1 = gca; title('1000 t وابسته و مقادیر گاما شبیه سازی شده'); xlabel('X1 ~ Gamma(2,1)'); ylabel('X2 ~ t(5)'); طرح فرعی (2،2،4); نوار (ctr1,-n1,1); axis([0 12 -max(n1)*1.1 0]); محور ('خاموش'); h2 = gca; طرح فرعی (2،2،1); barh(ctr2,-n2,1); axis([-max(n2)*1.1 0 -8 8]); محور ('خاموش'); h3 = gca; set(h1,'Position',[0.35 0.35 0.55 0.55]); set(h2,'Position',[.35.1.55.15]); set(h3,'Position',[.1.35.15.55]); نقشه رنگی ([.8 .8 1]); | Stata - نمودارهای چرخشی چندگانه روی نمودار (از جمله توزیع در دو طرف محورها) |
15021 | من سه ضریب همبستگی پیرسون (0.8978، 0.5676 و 0.7865) برای سه گروه سنی (یعنی 21 تا 30 سال، 31 تا 40 سال و 41 تا 50 سال) دارم که رفتار آنها را در رابطه با عادات خرید آنها در مقابل وزن مطالعه می کنم. به دست آوردن آیا می توانم بگویم 0.8978 قوی ترین رابطه بین عادات خرید و افزایش وزن است؟ با توجه به تفاوت ضرایب می توانم بگویم که در عادات خرید و افزایش وزن سه گروه سنی تفاوت وجود دارد؟ در نهایت، آیا می توانم سه ضریب را جمع کرده و بر سه تقسیم کنم تا به یک میانگین برسم؟ همه اینها تفسیرهای «ارزش اسمی» هستند. آیا آنها قابل قبول هستند یا نیاز به انجام نوعی تجزیه و تحلیل آماری دارم؟ اگر دومی باشد (بهشت نگذار)، آیا SPSS می تواند این کار را انجام دهد. | کار با ضرایب همبستگی |
84272 | تحقیق من در مورد اثربخشی بر رویه های کمیته حسابرسی است. من داده ها را با استفاده از مقیاس پنج نقطه ای لیکرت (1 = کاملاً مخالف تا 5 = کاملاً موافق) جمع آوری کرده ام. هر دو متغیر مستقل و وابسته از نوع داده های مقیاس پنج نقطه ای لیکرت هستند. همچنین هر متغیر شامل 2 یا 3 سوال با مقیاس پنج درجه ای لیکرت است. من می خواهم یک رگرسیون اجرا کنم. بنابراین، آیا می توانم از روش مولفه اصلی برای بدست آوردن مقادیر متغیرها استفاده کنم؟ پس آیا رگرسیون خطی است؟ انواع دیگر تکنیک ها برای تجزیه و تحلیل این داده ها چیست؟ آیا رگرسیون کافی است؟ | نحوه تجزیه و تحلیل داده های مقیاس پنج نقطه ای لیکرت با استفاده از رگرسیون |
112132 | من نتیجه درمان را با دو درمان درمانی مقایسه می کنم. به طور خاص، من به دنبال این هستم که چگونه دلبستگی رابطه بین اتحاد درمانی و نتیجه را تعدیل می کند. من فرض می کنم که تعدیل کننده دلبستگی در یک درمان در مقابل درمان دیگر قوی تر خواهد بود. تنها راهی که می توانم برای آزمایش این فکر کنم، انجام دو مدل رگرسیون است. 1) اتحاد و نتیجه برای درمان یک، که با دلبستگی تعدیل می شود. 2) اتحاد و نتیجه برای درمان دو، که با دلبستگی تعدیل می شود. سپس، ضرایب رگرسیون را مقایسه کنید تا ببینید آیا از نظر آماری متفاوت هستند یا خیر. آیا راهی برای قرار دادن همه اینها در یک مدل وجود دارد؟ | آیا می توانم دو ضریب رگرسیون را با هم مقایسه کنم؟ |
20445 | ما برخی از داده های مالی (500-1000 نمونه) داریم که به طور معمول توزیع نمی شود (واقعیت شناخته شده از ادبیات). من ایده هایی برای انجام تبدیل های پارامتریک این داده ها (با استفاده از برخی داده های دیگر) برای تولید سری های تنظیم شده دارم. هدف من این است که تبدیلی پیدا کنم که سریال را به طور معمول توزیع کند (با میانگین 0 و انحراف std 1). مناسب ترین آمار و آزمون مربوطه برای بهینه سازی پارامترهای من و تعیین اینکه آیا می توان نتیجه را به طور معمول توزیع کرد چیست؟ لطفاً من را به یک پیادهسازی راهنمایی کنید که به طور ایدهآل در C/C++ یا جاوا است. | چگونه داده ها را به حالت عادی تبدیل کنیم؟ |
107666 | من می خواهم همه تکنیک های پیش پردازش خود را بین 0 و 1 نرمال کنم، بنابراین می خواهم بدانم محدوده مقادیر PCA چقدر است تا بتوانم نرمال سازی مناسبی را برای آن اعمال کنم. من PCA را با استفاده از نتیجه SVD اعمال کردم. به عنوان مثال، من دیدم که محدوده مقادیر SVD به مقادیر مثبت محدود شده است، بنابراین من برای نرمال کردن مقادیر بین 0 و 1، مقیاس بندی شده است. آیا چنین محدوده ای برای PCA وجود دارد؟ | محدوده مقادیر قابل انتظار در نتیجه تجزیه و تحلیل مؤلفه اصلی (PCA) چقدر است؟ |
71620 | فرض کنید $X$ و $Y$ دارای لحظه دوم محدودی هستند. در فضای هیلبرت متغیرهای تصادفی با گشتاور محدود دوم (با حاصلضرب داخلی $T_1,T_2$ تعریف شده توسط $E(T_1T_2)$, $||T||^2=E(T^2)$)، ممکن است $E(Y|X)$ را به عنوان نمایش $Y$ روی فضای توابع $X$ تفسیر کنید. همچنین می دانیم که قانون کل واریانس $$Var(Y)=E(Var(Y|X)) + Var(E(Y|X))$$ می خواند آیا راهی برای تفسیر این قانون از نظر هندسی وجود دارد. عکس بالا؟ به من گفته شده است که قانون مانند قضیه فیثاغورث برای مثلث قائم الزاویه با اضلاع $Y، E(Y|X)، Y-E(Y|X)$ است. من درک می کنم که چرا مثلث قائم الزاویه است، اما نه اینکه چگونه قضیه فیثاغورث قانون واریانس کل را به تصویر می کشد. | قانون واریانس کل به عنوان قضیه فیثاغورث |
83272 | مشروط بر اینکه نمی خواهید هیچ متغیری را انتخاب کنید: **آیا نرم افزاری وجود دارد که سریعتر از glmnet در رگرسیون _vanilla ridge_ برای مجموعه داده های بزرگ باشد؟** | سریعترین راه برای اجرای رگرسیون ریج در مجموعه داده های بزرگ که در آن n>>p |
107668 | آیا انجام تست KS یک دم معنی دار و امکان پذیر است؟ فرضیه صفر چنین آزمونی چه خواهد بود؟ یا آزمون KS ذاتاً یک آزمون دو طرفه است؟ من از پاسخی سود می برم که به من در درک توزیع _D_ کمک کند (من در حال کار بر روی مقاله 1951 Massey هستم و توضیح را چالش برانگیز می دانم، به عنوان مثال $D^{+}$ و $D^{-}$ برتر هستند و جزئی از تفاوت های ارزش غیرمطلق تفاوت ها در CDF های تجربی؟). سوال بعدی: $p$-values برای $D^{+}$ و $D^{-}$ چگونه به دست می آیند؟ بنابراین بسیاری از انتشاراتی که من با آنها مواجه می شوم، مقادیر جدول بندی شده را به جای CDF $D_{n}$، $D^{+}$ و $D^{-}$ ارائه می دهند. **به روز رسانی:** من به تازگی سؤال مرتبط را کشف کردم که فرضیه صفر در یک آزمون کولموگروف-اسمیرنوف یک طرفه چیست؟، که در اسکن اولیه قبل از نوشتن این سؤال از قلم افتادم. | آیا انجام تست کولموگروف-اسمیرنوف یک دم منطقی است؟ |
108958 | من یک متغیر وابسته غیر عادی و یک متغیر مستقل دارم که به 4 گروه تقسیم شده است. به این ترتیب، من از تجزیه و تحلیل کروسکال-والیس برای جستجوی تفاوت های قابل توجه در رتبه های گروه ها استفاده کردم. داده ها به شکل زیر هستند: \begin{array}{clc}\rm Group&\rm Size&\rm Means\\\\\hline 0&n=24&31.79\\\ 1&n=13&26.65\\\ 2&n=8 &15 .94\\\ 3&n=10&30.30\\\ \rm مجموع& N=55\end{آرایه} من یک اهمیت مجانبی 0.103. با این حال، اگر من یک Mann-Whitney _U_ را روی همان داده ها اجرا کنم، یک معنی واضح بین گروه های «0» و «2» می بینم: 0 24 18.81 451.50 2 8 9.56 76.50 مجموع 32 Mann-Whitney U 40.500 Wilcoxon W 40.500 Wilcoxon W. -2.416 Asymp. سیگ (2-tailed) .016 Exact Sig. [2*(1-tailed Sig.)] 0.013b تنها چیزی که می توانستم به آن دست پیدا کنم این بود که: * ممکن است با یک نوع خطای گیج کننده با آزمون Mann-Whitney _U_ مواجه شوم، و بنابراین اهمیت یک اشتباه است. ، یا اینکه * تفاوت زیاد بین اندازه های نمونه همان چیزی است که باعث می شود من با من-ویتنی اهمیت پیدا کنم، اما K-W نه زیرا کمی بیشتر است. قدرت برای تشخیص آنچه مهم است و آنچه نیست. هر گونه کمک یا راهنمایی قدردانی خواهد شد. همه شما قبلاً کمک بزرگی کرده اید! به سلامتی | آزمون کروسکال-والیس معنی دار نبود اما من ویتنی U معنی دار بود |
110529 | در مدلهای خطی اثرات مختلط خطی یا تعمیم یافته، اثرات تصادفی برای توضیح همبستگی درون واحدی برای اندازهگیریهای مکرر در طول زمان گنجانده میشوند. در مدلسازی بیزی، انتخاب قبلی متعارف برای اثرات تصادفی گاوسی است که عدم توجیه نظری است و فقط برای راحتی ریاضی انتخاب میشود. علیرغم صحت آن، تحقیقات نشان می دهد که اثرات ثابت نسبت به تعریف نادرست توزیع اثرات تصادفی قوی هستند، یعنی برآورد اثرات ثابت چندان تحت تأثیر انتخاب قبلی قرار نمی گیرد. بنابراین تا زمانی که اثرات تصادفی مورد توجه نباشند، انتخاب پیشین عادی خوب به نظر می رسد. سؤال من این است که پیشبینی (از آنجایی که آنها متغیرهای تصادفی هستند و نه پارامترها) اثرات تصادفی مورد علاقه چه زمانی است؟ چه زمانی باید مدل سازی دقیق آنها را در اولویت قرار دهیم؟ و از آنجایی که اثرات تصادفی پنهان هستند، از چه روش هایی می توانیم برای بررسی کافی بودن پیش بینی خود استفاده کنیم؟ | چه زمانی پیش بینی اثرات تصادفی اهمیت دارد؟ |
78063 | این سوال رو دوستم که به اینترنت سربلند نیست پرسیده بود. من هیچ سابقه آماری ندارم و در اینترنت برای این سوال جستجو کرده ام. سوال این است: آیا می توان مقادیر پرت را با مقدار متوسط جایگزین کرد؟ در صورت امکان، آیا مرجع/ژورنال کتابی برای پشتیبان گیری از این بیانیه وجود دارد؟ | جایگزینی نقاط پرت با میانگین |
78061 | فهرستی از ردیفهای «R» با عناصر «R_i»، «i=1..n» و فهرستی از ستونهای «C» با عناصر «C_j»، «j=1..n»، که ماتریس A[R, C] را می سازد. هر عنصر ماتریس 0 یا 1 است. منطقه یک مستطیل موازی محور از ماتریس A است که مرزهای آن توسط دو عنصر R_i و دو عنصر C_j مشخص میشوند. یک منطقه دارای وزن مرتبط است. وزن = a * halfPerimeter + b * فرکانس: * به a, b ثابتهای مثبت داده می شود، * halfPerimeter مجموع تعداد ردیفهای R و تعداد ستونهایی از C است که خطوط را قطع می کنند. منطقه، و * فرکانس تعداد 1 عنصر در منطقه است. ما باید یک ماتریس نمونه «A»[R»،C»]» بسازیم، که در آن لیست «R» نمونهای از «R» است، و «C» نمونهای از «C» است. R و C هر دو اندازه r یکسانی دارند و روند ساخت آنها متقارن است، بنابراین ما روند را در R نشان می دهیم. «R» شامل عناصر «R»_i»، «i» = 1..r» است، به طوری که * «0 < r < n»، و * برای هر «i»، «i» وجود دارد. که R'_i = R_i. ما می گوییم که ردیف R'_i با R_i مطابقت دارد. * _ ترتیب مرتب سازی یکسان._ برای دو ردیف «R'_i1»، «R'_i2»، اگر «i1» <i2»»، برای سطرهای متناظر آنها، «R_i1 <R_i2» وجود دارد. برای رسیدن به این هدف، پس از نمونه برداری مرتب می کنیم. یک منطقه reg در ماتریس A با منطقه reg در ماتریس A مطابقت دارد، اگر تمام مرزهای منطقه (دو ردیف و دو ستون) از reg با مرزهای reg مطابقت داشته باشد. `. **مشکل** به این صورت خلاصه می شود که: * ماتریس A را پر کنید و * یک تابع وزن روی آن تعریف کنید به طوری که: * اگر reg1 با reg1 مطابقت دارد (reg2 مطابق با reg2 است. ')، و 'weight(reg1') <weight(reg2')'، سپس 'weight(reg1) <weight(reg2)' * 'weight(reg') <C'، که در آن 'C' یک (نسبتا) است بزرگ) ثابت. من از هرگونه کمک، پیشنهاد، ایده یا اشاره قدردانی می کنم. با تشکر | قابلیت مقایسه منطقه در یک نمونه ماتریسی |
88364 | فرض کنید تابع جرم احتمال $p$ را از نمونه آموزشی iid $\\{x_1,\dots,x_n\\}$ تخمین می زنیم. سپس میخواهیم از pmf تخمینی $\hat{p}$ برای تخمین احتمالات $p(y_j)$ برای نمونه آزمایشی iid $\\{y_1, \dots,y_m\\}$ استفاده کنیم که قرار است از همان توزیع نمونه آموزشی. با این حال، وقتی pmf را از نمونه آموزشی تخمین می زنیم، کل فضای نمونه را نمی دانیم. به طور خاص، ما پیشبینی میکنیم که ممکن است نتایج آزمایشی وجود داشته باشد، $y_j$'s، که در مثال آموزشی دیده نشدهاند، یعنی $y_j \neq x_i، i \neq 1،\dots، n$، و علاوه بر این، ما نمی دانم $y_j$ چیست و چه تعداد از آنها. سوال من این است که چگونه می توانیم pmf را از نمونه آموزشی برای مقابله با چنین نتایج آزمایش ناشناخته ای تخمین بزنیم؟ توجه داشته باشید که این با حالتی متفاوت است که ما کل فضای نمونه را می دانیم، اما برخی از نتایج را مشاهده نمی کنیم. در این مورد، میتوانیم از هموارسازی لاپلاس برای انتقال جرم احتمالی به مواردی با وقوع صفر استفاده کنیم. این سوال از تخمین توزیع برای مدل های N-gram در NLP ناشی می شود. با تشکر | چگونه pmf را بدون دانستن کل فضای نمونه تخمین بزنیم؟ |
76395 | من در حال انجام مقاله تحقیقاتی هستم و 7 گروه برای 5 سال وجود دارد. من سعی می کنم panel gls را در STATA انجام دهم. گفتن آن کمی شرم آور است، اما فکر می کنم هنوز دانش کافی برای تجزیه و تحلیل نتایج را ندارم. من از STATA استفاده می کنم و نشان می دهد که همه ضرایب خوب هستند (صفر مقدار p). اما وقتی نمودار باقیماندهها را در EXCEL رسم میکنم، شکل یکسانی را به هر گروه نشان میدهد، پراکنده نیست اما شبیه ضربان قلب است. سپس این نتیجه به چه معناست و برای رفع آن چه باید بکنم؟ | اگر باقیمانده های هر گروه تمایل یکسانی را نشان دهند، به چه معناست؟ |
108486 | من روی یک پروژه جانبی با مجموعه داده بسیار کوچک کار میکنم که در آن سعی میکنم قیمت بهینهای را که باید برای کارمزد تراکنش تعیین کنم (چیزی مانند payPal) تعیین کنم. در حال حاضر من از یک عدد دلخواه برای درآمد استفاده می کنم که هزینه ثابتی است. اطلاعاتی که دارم: Transaction_completed | ارزش_معامله | my_earning بله $10 $1 نه $100 $1. . . . . . امیدوار بودم شاید از یک رویکرد آماری تری برای تعیین قیمت بهینه برای هزینه استفاده کنم، اما نتوانستم هیچ نمونه ای را در آنجا پیدا کنم. هر گونه ایده رگرسیون بسیار قدردانی خواهد شد. | نحوه استفاده از تحلیل رگرسیون برای تعیین قیمت بهینه |
71627 | خط خطی زمانی توصیف می شود که یک متغیر مستقل تابع خطی متغیر(های) دیگر باشد. به گونه ای که می توان متغیر مورد نظر را با توجه به متغیر(های دیگر) به طور پیوسته پیش بینی کرد. بنابراین با توجه به یک عبارت تعاملی (x1*x2) که به سادگی تابعی از x1 و x2 است، چگونه همیشه یک مشکل همخطی وجود ندارد؟ من فکر میکنم که پاسخ در این مسیر است که حتی اگر x1*x2 تابعی از x1 و x2 است، ممکن است لزوماً یک وابستگی خطی بین متغیرها وجود نداشته باشد. و این بخشی است که من در مفهوم سازی آن مشکل دارم. آیا کسی نمونه ای از این یا کد R دارد که بتوانم آن را اجرا کنم تا این را بهتر بفهمم؟ با تشکر، WC | چرا هنگام معرفی اصطلاحات تعاملی به یک مدل MLR یا لجستیک، همیشه مشکل هم خطی وجود ندارد؟ |
91632 | من و همکارم استاد هستیم و آزمایشی انجام دادیم که در آن لطفاً در مورد تصمیمگیری برای استفاده از کدام تست در SPSS راهنمایی بخواهیم. او به 4 کلاس از دانش آموزان در 2 مناسبت مختلف تدریس کرد و من به گروهی متشکل از 4 کلاس از دانش آموزان در 2 مناسبت مختلف تدریس کردم. من گروه آزمایشی بودم و تمام جلساتم را با یک بازی آموزشی تدریس کردم. او گروه کنترل بود و از هیچ بازی استفاده نمی کرد. هر کدام یک پیش آزمون در ابتدای جلسه اول و یک پس آزمون در پایان کلاس دوم به دانش آموزان دادیم. فرضیه ما این است که دانشآموزان کلاسهای آزمایشی (بازی) در پسآزمون بهتر از دانشآموزان گروه کنترل عمل کردند. متأسفانه به این فکر نکردیم که به هر دانش آموز شماره ای اختصاص دهیم تا بتوانیم بفهمیم کدام پیش و پس آزمون متعلق به چه کسی است. بنابراین اساساً ما تعداد زیادی تست پیش و پس آزمون داریم که بر اساس کلاس تقسیم می شوند اما نه بر اساس دانش آموز. آیا راهی وجود دارد که بتوانیم تحلیل های آماری را برای گروه ها به جای افراد انجام دهیم تا ببینیم آیا فرضیه ما مربوط می شود یا خیر؟ | چگونه می توان قبل و بعد از آزمون را در صورت عدم وجود شناسه موضوعی مقایسه کرد؟ |
88366 | ### 1\. مدل من سعی می کنم یک تخمین MCMC از مدل زیر بسازم (ساده شده): $\log(P^{-1}(obs_t, \sigma)) = \log(Y_t) + \epsilon_t$ جایی که $\epsilon_t \sim \mathcal{N}(0,\sigma_{e})$. $P^{-1}$ معکوس یک تابع قیمت گذاری است که یک قیمت مشاهده شده را به یک متغیر مشاهده نشده متصل می کند، که برای آن خطای $\epsilon$ را فرض می کنم. جدا از قیمت مشاهده شده، به پارامتر $\sigma$ بستگی دارد (برای سادگی، سایر پارامترها را حذف می کنم). علاوه بر این، متغیر مشاهده نشده از یک حرکت براونی هندسی پیروی می کند، یعنی $\log(Y_t) = \log(Y_{t-1}) + \mu - \frac{1}{2}\sigma_Y^2 + \theta_t$ که در آن $\theta_t \sim \mathcal{N}(0,\sigma_Y)$. ### 2\. روش تخمین _Sampling $Y_t$:_ من از روش Forward Filtering Backward Sampling برای تولید نمونه از همه $Y_t$ استفاده می کنم: پس از محاسبه $P^{-1}$، یک فیلتر Kalman را روی $Y_t$ اجرا می کنم و از آن نمونه می گیریم. توزیع نرمال با $T$ شروع می شود و سپس نمونه های ترسیم شده را به عنوان مشاهدات اضافی در نظر می گیرد. [1] _Samping $\sigma_Y$:_ شروع از یک گامای معکوس قبل، من $Y_t$ نمونهبرداری شده را با استفاده از مزدوج قبلی (رگرسیون بیزی استاندارد) اعمال میکنم و یک نمونه از توزیع گامای معکوس پسین میکشم. سپس احتمال $Y^*_t$ را که توسط $\sigma_Y$ نمونه برداری شده محاسبه می کنم (مطابق با معادله مدل اول) و نسبت پذیرش Metroplis-Hastings را مشخص می کنم، چه نمونه را بپذیرید یا نه. ### 3\. مشکل من تخمین را روی یک مدل شبیهسازی شده آزمایش میکنم و مشکل زیر را تجربه میکنم: * پارامتر $\sigma_Y$ بر نوسانات $Y_t$ که توسط تابع قیمتگذاری معکوس $P^{-1}$ خیلی دلالت میکند تأثیر نمیگذارد. نمونه از توزیع گامای معکوس کاملاً نزدیک به مقدار واقعی پارامتر است * با این حال $\sigma_Y$ بر سطح $Y_t$ تأثیر می گذارد. قویا * بنابراین احتمال $Y^*_t$ بسیار کم است و نمونه پذیرفته نمی شود، من فکر می کنم احتمال بالاتر خواهد بود، اگر واریانس استفاده شده برای رسم نمونه های $Y_t$ در فیلتر کالمن بیشتر باشد. با این حال، واریانس توسط $\sigma_Y$ و $\sigma_e$ ذکر شده است، بنابراین من هیچ راهی برای تأثیرگذاری بر آن نمی بینم (مقدار $\sigma_e$ منطقی به نظر می رسد). ### 4\. سؤالات * آیا نقص مفهومی در رویکرد من وجود دارد که می تواند منجر به مشکل شود؟ * شاید تکنیکی برای بهبود نسبت پذیرش در چنین موردی وجود داشته باشد؟ من فکر می کنم حرکت از مقدار اولیه $\sigma_Y$ به مقدار true آهسته تر کمک کند. اما نمیدانم چگونه میتوانم به آن برسم... بنابراین، اگر هنوز در این مرحله هستید، از صبرتان متشکرم! هر ایده ای استقبال می شود... بهترین، مت [1] کارتر، کریس کی، و رابرت کوهن. در مورد نمونه برداری گیبس برای مدل های فضای حالت. Biometrika 81.3 (1994): 541-553. | مشکلات نسبت پذیرش MCMC هنگام استفاده از فیلتر کالمن و مزدوج قبل برای نمونه برداری |
108953 | من می خواهم اثر 3 PH را بر رشد لارو آزمایش کنم. می خواهم بدانم بهترین طرح آزمایشی و تحلیل آماری چیست؟ ما فقط می توانیم از 3 محفظه آب دریا استفاده کنیم که هر کدام ph متفاوتی دارند. در هر محفظه، لاروها در 4 سیلندر مختلف رشد خواهند کرد. هر روز، ما چندین لارو را در هر سیلندر، لاروهای اندازه گیری شده و نسبت لاروهای مرده را می شماریم. آیا می توانم نسبت لاروهای مرده در روز را با یک GLMM با استوانه به عنوان فاکتور تصادفی (و LMM برای بیومتری لارو) تجزیه و تحلیل کنم؟ آیا می توانم از والدین مختلف برای تولید لاروهای سیلندر و تجزیه و تحلیل نوعی اثر ژنتیکی استفاده کنم؟ در این مورد، آیا می توانم از مدل های ترکیبی با خانواده تو در تو در سیلندر به عنوان اثر تصادفی استفاده کنم؟  متشکرم. | طراحی آزمایشی و مدل های ترکیبی |
78068 | اجازه دهید $x_1،x_2، \ldots، x_n $ مقادیر یک نمونه تصادفی باشد. نمونه بوت استرپ $x_1 ^* ,x_2^*, \ldots, x_n^* $ نمونه تصادفی $x_1, x_2, \ldots, x_n$ است که با جایگزینی ترسیم شده است. سوال من این است که چگونه می توانم نشان دهم که مقادیر نمونه بوت استرپ iid با cdf معمولی $\hat{F_n}$، cdf تجربی $x_1,x_2, \ldots, x_n $ هستند؟ متشکرم. | اثبات اینکه تحقق های بوت استرپ iid هستند |
108959 | من در مورد جنگل های تصادفی مطالعه کرده ام و در مورد کاربرد عملی آنها (یک درک احتمالاً اساسی) به یک مانع رسیده ام. این مشکل در رابطه با متغیرهای مهم و استفاده از آنها در پیش بینی نتایج جدید است. مثال عنبیه را در نظر بگیرید. ما می دانیم که بر اساس جنگل تصادفی، طول و عرض گلبرگ مهم ترین مقادیری هستند که هنگام تلاش برای طبقه بندی یک گونه عنبیه به دست می آیند. اکنون، از نظر تئوری، میتوانیم به بیرون برویم، برخی از ابعاد گلبرگ عنبیه را اندازهگیری کنیم، آنها را به پیشبینی (0 به عنوان یک مشاهده آزمایشی جدید وصل کنیم و RF پاسخی را ایجاد میکند. به نظر من، این نشان میدهد که RF دارای احتمالاتی است (یا احتمالاتی مانند مقادیر) به هر یک از ابعاد گلبرگ عنبیه اختصاص داده شده است: سوال من این است: آیا راهی وجود دارد که بتوانم یک ماتریس یا درخت تصمیم را استخراج کنم؟ پهنای x و طول گلبرگ y احتمالاً گونه z از عنبیه را دارید، در اصل، من میخواهم بدانم که آیا میتوان از نتیجه RF برای طبقهبندی مشاهدات جدید بدون نیاز به اجرای آن مشاهدات جدید از طریق عملکرد پیشبینی استفاده کرد؟ | جنگل تصادفی: متغیرهای مهم، مقادیر مهم |
76391 | از آنجایی که بسیاری از روشهای یادگیری بدون نظارت، بهعنوان گامی پیشآموزشی برای کار اصلی تحت نظارت (عمدتاً تحت عنوان یادگیری عمیق) به وجود آمد، نمیتوان پرسید که وضعیت فعلی «پیشآموزی و یادگیری از دادههای بدون برچسب» چگونه است. ، برای یادگیری تقویتی؟ آیا آثار اخیر/قدیمی در این مورد وجود دارد؟ پیشنهادی برای کارهای آینده دارید؟ | پیش آموزش بدون نظارت برای یادگیری تقویتی |
78062 | من در حال مقایسه دو گروه هستم که در آن هر فرد بر روی 9 متغیر پاسخ آزمایش شد. این متغیرها یک تعداد با حد بالایی 2 هستند (تعداد کپی های از دست رفته و حداکثر تعداد کپی ها 2 است). من می خواهم آزمایش کنم که آیا با در نظر گرفتن تمام متغیرهای پاسخ به عنوان یک کل، تفاوت هایی بین هر دو گروه وجود دارد یا خیر. MANOVA به عنوان اولین گزینه من به ذهن می رسد، اما متغیرهای پاسخ من به وضوح برای MANOVA کافی نیستند. آیا نسخه ناپارامتریک MANOVA بهترین رویکرد است؟ من با بسته _vegan_ در R امتحان کردم اما مطمئن نیستم از چه روش فاصله ای استفاده کنم (بیشتر آنها به من هشدار می دهند). اینها داده ها هستند: گروه Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 1 A 2 2 0 0 0 0 0 0 0 2 A 1 1 0 0 1 1 0 0 0 3 A 0 0 0 0 0 0 0 0 1 0 4 A 0 0 0 0 0 0 0 0 0 5 A 0 0 0 0 0 0 0 0 0 6 A 0 0 0 0 0 0 0 0 0 7 A 0 0 0 0 0 0 0 0 0 8 A 2 2 0 1 0 1 0 0 1 9 A 2 2 0 0 0 0 0 0 0 10 A 2 2 0 0 0 0 0 0 0 11 A 2 2 0 0 0 0 0 0 1 12 A 2 2 0 1 0 1 0 0 0 13 A 2 2 1 0 0 0 0 0 0 14 A 2 2 0 1 0 0 0 0 0 15 A 1 1 1 1 0 0 0 0 0 16 A 1 1 0 1 0 0 0 0 0 17 A 1 2 0 0 0 0 0 0 0 18 A 1 2 1 0 0 0 1 0 0 19 A 1 1 0 1 0 0 0 0 0 20 A 1 1 0 0 0 0 0 0 0 21 A 1 1 0 0 0 0 0 0 0 0 22 A 1 1 0 0 0 0 0 0 0 23 A 1 1 1 0 0 0 0 0 0 24 A 1 1 0 0 0 0 0 0 0 25 A 0 0 0 0 0 0 0 0 0 26 A 0 0 0 0 0 0 0 0 0 27 A 0 0 1 0 0 0 0 0 0 28 A 0 0 1 0 0 0 0 0 0 29 A 0 0 0 0 0 0 0 0 0 0 30 A 0 0 0 0 0 0 0 0 0 0 31 A 0 0 0 0 0 0 0 0 0 32 A 0 0 0 0 0 0 0 0 0 33 A 0 0 0 0 0 0 0 0 0 34 A 0 0 0 0 0 0 0 0 0 35 A 0 0 0 0 0 0 0 0 0 0 36 A 0 0 1 0 0 0 0 0 0 37 A 0 0 0 0 1 0 0 0 0 38 A 0 0 0 0 0 0 0 0 0 39 A 0 0 0 0 0 0 0 0 0 40 A 0 0 0 0 0 0 0 0 0 41 A 0 0 1 0 0 0 0 0 0 42 A 0 0 0 0 0 0 0 0 0 43 A 0 0 0 0 0 0 0 0 0 0 44 A 0 0 0 1 0 0 0 0 0 45 A 0 0 0 1 0 0 0 0 0 0 46 A 0 0 0 0 0 0 0 0 0 47 A 0 0 0 0 0 1 0 0 0 48 A 0 0 1 1 0 0 0 0 0 49 A 0 0 1 0 0 0 0 0 0 50 A 0 0 0 0 0 0 0 0 0 0 51 A 0 0 0 0 0 0 0 0 0 52 A 0 0 0 0 0 0 0 0 0 53 A 0 0 1 0 0 0 0 0 0 54 A 0 0 0 0 0 0 0 0 0 55 A 0 0 1 1 0 0 0 0 0 56 A 0 0 0 0 0 0 0 0 0 57 A 0 0 1 1 0 0 0 0 0 0 58 A 0 0 0 0 0 0 0 0 0 0 59 A 0 0 0 0 0 0 0 0 0 60 A 0 0 0 0 0 0 0 0 0 61 A 0 0 0 0 0 0 0 0 0 62 A 0 0 0 0 1 1 0 0 0 63 A 0 0 0 0 0 0 0 0 0 1 64 A 0 0 0 0 0 0 0 0 0 0 65 A 0 0 0 0 0 0 0 0 1 66 A 0 0 1 0 0 0 0 0 0 67 A 0 0 0 0 0 0 0 0 0 68 A 0 0 0 0 0 0 0 0 1 69 A 0 0 0 1 1 0 0 0 0 70 A 0 0 0 1 0 0 0 0 1 71 A 0 0 0 0 1 1 0 0 0 72 A 0 0 0 0 0 0 0 0 0 73 A 0 0 0 0 0 0 0 0 0 74 A 0 0 0 1 0 0 0 0 0 75 A 0 0 0 0 0 1 0 0 0 76 A 0 0 1 0 0 0 0 0 1 77 A 0 0 0 0 0 0 0 0 0 1 78 A 0 0 0 0 0 0 0 0 0 0 79 A 0 0 0 0 0 0 0 0 0 80 A 0 0 0 0 1 1 0 0 0 81 A 0 0 0 0 1 1 0 0 0 82 A 0 0 0 0 0 0 0 0 0 83 A 2 2 0 1 0 0 0 0 0 84 A 2 2 0 1 0 0 1 0 0 85 A 2 2 0 0 0 0 0 0 0 0 86 A 2 2 0 0 0 0 0 0 0 0 87 A 2 2 0 1 0 0 0 0 0 88 A 1 1 0 1 0 0 0 0 0 89 A 1 1 0 1 0 0 2 0 0 90 A 1 1 0 0 0 0 0 0 0 91 A 1 1 0 1 0 0 0 0 0 92 A 1 1 0 0 0 0 0 0 0 93 A 1 1 0 0 0 0 0 0 0 94 A 0 0 0 0 0 0 1 0 0 95 A 0 0 0 0 0 0 0 0 0 96 A 0 0 0 0 0 1 0 0 0 97 A 0 0 0 0 0 1 0 0 0 98 A 0 0 1 1 0 0 0 0 0 99 A 0 0 0 0 0 0 0 0 0 0 100 A 0 0 1 1 1 0 0 0 0 101 A 0 0 0 1 1 0 0 0 0 0 102 A 0 0 0 0 0 0 0 0 0 103 A 0 0 0 0 0 0 0 0 0 0 104 A 0 0 0 0 0 0 0 0 1 105 A 0 0 0 0 0 0 0 0 0 0 106 A 0 0 0 1 0 0 0 0 0 107 A 0 0 0 0 0 0 1 0 0 0 108 A 0 0 0 0 1 1 0 0 0 109 A 2 2 0 0 0 0 0 0 0 110 A 2 2 0 0 0 0 0 0 0 111 A 1 1 0 0 0 0 0 0 0 112 A 2 2 0 0 0 0 0 0 0 113 A 0 0 0 0 0 0 0 0 0 114 A 0 0 0 0 0 0 0 0 0 115 A 0 0 0 0 0 0 0 0 0 116 A 2 2 0 0 0 0 0 0 0 117 A 2 2 0 0 0 0 0 0 0 118 A 2 2 0 1 0 0 0 0 0 119 A 1 1 0 0 0 0 0 0 0 120 A 1 1 0 0 0 1 0 0 0 121 A 1 1 0 0 0 0 0 0 0 122 A 0 0 0 0 0 0 0 0 0 123 A 0 0 0 0 0 0 0 1 0 0 124 A 0 0 0 0 0 0 0 0 0 0 125 A 0 0 0 0 0 0 0 0 0 126 B 1 0 0 0 0 0 0 0 0 127 B 0 0 1 0 1 1 0 0 1 128 B 0 0 0 0 0 0 0 0 0 129 B 0 0 0 0 0 0 0 0 0 130 B 0 0 0 0 0 0 0 0 0 131 B 0 0 0 0 0 0 0 0 0 132 B 0 0 0 0 0 0 1 1 0 0 133 B 0 0 0 0 0 0 0 0 0 0 134 B 0 0 0 0 0 0 0 0 0 135 B 2 1 0 1 0 0 0 0 1 136 B 1 2 0 1 0 0 0 0 0 137 B 1 1 0 1 0 0 0 0 0 138 B 0 0 0 0 0 0 0 0 1 139 B 0 | MANOVA برای داده های شمارش |
47508 | من یک ماتریس فاصله دارم. فرض کنید یک ماتریس فاصله 6×6، هر سلول فاصله ماهالانوبیس دو خوشه (یا مجموعه ها/گروه هایی از چیزها در یک فضای چند بعدی) است، من می خواهم تعداد خوشه های واقعی (خوشه های جدا شده به طور قابل توجهی) را با استفاده از این فاصله شمارش کنم. ماتریس، سوال من این است **اگر من فقط فاصله ماهالانوبیس بین دو خوشه را بدانم، می توانم در مورد میزان خوب بودن آنها چیزی بگویم. جدا شده است؟** اطلاعات بیشتر: این فواصل از یک مدل Gaussian Mixture می آید که 6 گاوسی را به مجموعه داده ای که می تواند 1-4 خوشه واقعی در خود داشته باشد برازش می دهد. | آیا فواصل ماهالانوبیس اهمیت مرتبط با آنها دارد؟ |
10 | بسیاری از مطالعات در علوم اجتماعی از مقیاس لیکرت استفاده می کنند. چه زمانی استفاده از داده های لیکرت به صورت ترتیبی و چه زمانی به عنوان داده های بازه ای مناسب است؟ | در چه شرایطی باید از مقیاس لیکرت به عنوان داده ترتیبی یا فاصله ای استفاده کرد؟ |
15664 | من تمام جزئیات بیولوژیکی و آزمایش ها را حذف می کنم و فقط مشکل موجود و آنچه را که از نظر آماری انجام داده ام را نقل می کنم. می خواهم بدانم آیا درست است یا نه، چگونه باید ادامه داد. اگر داده ها (یا توضیح من) به اندازه کافی واضح نیست، سعی می کنم با ویرایش بهتر توضیح دهم. فرض کنید من دو گروه/مشاهده X و Y با اندازه $N_x=215$ و $N_y=40$ دارم. می خواهم بدانم آیا میانگین این دو مشاهده برابر است یا خیر؟ سوال اول من این است: 1. در صورت برآورده شدن مفروضات، آیا استفاده از آزمون t دو نمونه ای پارامتریک در اینجا مناسب است؟ من این را به این دلیل می پرسم که از درک من معمولاً وقتی اندازه کوچک است اعمال می شود؟ 2. من هیستوگرام های X و Y را رسم کردم و آنها به طور معمول توزیع نشدند، یکی از فرضیات یک آزمون t دو نمونه ای. سردرگمی من این است که، من آنها را دو جمعیت می دانم و به همین دلیل توزیع نرمال را بررسی کردم. اما بعد من در شرف اجرای یک آزمون t دو نمونه هستم... **آیا این درست است؟** 3. از قضیه حد مرکزی، متوجه می شوم که اگر نمونه گیری را انجام دهید (با/بدون تکرار بسته به حجم جامعه شما) چندین بار و هر بار میانگین نمونه ها را محاسبه کنید، سپس تقریباً به طور معمول توزیع می شود. و میانگین این متغیرهای تصادفی تخمین خوبی از میانگین جامعه خواهد بود. بنابراین، تصمیم گرفتم این کار را روی X و Y، 1000 بار انجام دهم و نمونه هایی را به دست آوردم و یک متغیر تصادفی به میانگین هر نمونه اختصاص دادم. طرح بسیار عادی توزیع شد. میانگین X و Y برابر با 2/4 و 8/15 (که با جمعیت 15/0+- بود) و واریانس آن 95/0 و 11/12 بود. من یک آزمون t روی این دو مشاهده (هر کدام 1000 نقطه داده) با واریانس های نابرابر انجام دادم، زیرا آنها بسیار متفاوت هستند (0.95 و 12.11). و فرضیه صفر رد شد. آیا این اصلا منطقی است؟ آیا این رویکرد صحیح/معنادار است یا آزمون z دو نمونه ای کافی است یا کاملا اشتباه است؟ 4. من فقط برای اطمینان از آزمایش Wilcoxon ناپارامتریک (روی X و Y اصلی) انجام دادم و فرضیه صفر در آنجا نیز به طور قانع کننده ای رد شد. در صورتی که روش قبلی من کاملا اشتباه بود، فرض می کنم انجام یک تست ناپارامتریک خوب است، به جز توان آماری شاید؟ در هر دو مورد، میانگین ها تفاوت معنی داری داشتند. با این حال، میخواهم بدانم که آیا هر دو یا هر دو رویکرد معیوب/کاملاً اشتباه هستند و اگر چنین است، جایگزین چیست؟ | چگونه می توان تفاوت بین دو گروه را در زمانی که داده ها به طور معمول توزیع نشده است آزمایش کرد؟ |
76390 | من یک سوال در رابطه با این پست در مورد محاسبه واریانس اندازه اثر دارم. در مورد خاص من، میخواهم اندازه اثر و واریانس آن را از میانگینهای تعدیلشده (یعنی حداقل مجذور میانگینها) به دست آمده از یک مدل ترکیبی محاسبه کنم. خروجی میانگین تنظیم شده (از تابع R 'lsmeans') خطاهای استاندارد میانگین تنظیم شده را ارائه می دهد. با این حال، محاسبه واریانس اندازه اثر انحراف استاندارد را فرا میخواند: $\frac{(SD_{E})^2}{n_{E}\bar{X}_{E}^2}$ + $\frac {(SD_{C})^2}{n_{C}\bar{X}_{C}^2}$ در پاسخ به پست بالا، نظردهنده توضیح میدهد که خطای استاندارد اساساً همان خطای استاندارد است. انحراف برای یک پارامتر تخمینی از آنجایی که من از پارامترهای تخمین زده شده از یک مدل ترکیبی استفاده می کنم، آیا استفاده از خطاهای استاندارد در فرمول بالا به جای انحراف معیار مناسب است؟ | محاسبه واریانس اندازه اثر از میانگین تنظیم شده (یا حداقل مربعات میانگین) |
70801 | من در عادی سازی گم شده ام، لطفاً کسی می تواند مرا راهنمایی کند. من یک مقدار حداقل و حداکثر، مثلا 23.89- و 7.54990767 را دارم. اگر مقدار 5.6878 را دریافت کنم چگونه می توانم این مقدار را در مقیاس 0 تا 1 مقیاس دهم. | چگونه داده ها را در محدوده 0-1 نرمال کنیم؟ |
95395 | من شنیده ام که رگرسیون پشته را می توان به عنوان میانگین توزیع پسین، در صورتی که قبلی به اندازه کافی انتخاب شده باشد، استخراج کرد. آیا این تصور وجود دارد که محدودیتهای تعیین شده بر روی ضرایب رگرسیون توسط قبلی (مثلاً توزیعهای نرمال استاندارد در حدود 0) یکسان هستند / جایگزین جریمه تنظیم شده در اندازه مربع ضرایب میشوند؟ آیا برای اینکه این معادل وجود داشته باشد، قبل باید گاوسی باشد؟ | رگرسیون ریج - تفسیر بیزی |
88098 | ساختار اثرات تصادفی آزمایش زیر مرا متحیر می کند. من به تفاوت مصرف (کمیت) بین دو نوع (A و B) علوفه گاو علاقه مند هستم. بنابراین، چهار محصول نوع A و چهار نوع B را برای آزمایش انتخاب کردم. یک فرضیه اضافی این است که محتوای پروتئین خام هر محصول دخیل است، بنابراین من می خواهم آن را به عنوان یک متغیر در تجزیه و تحلیل اضافه کنم. بنابراین، پروتئین خام در هر هشت محصول از قبل اندازه گیری شد. برای تعیین مقدار مصرف، هشت گوساله که به طور جداگانه در خانه نگهداری می شوند، هر یک از این هشت محصول را در یک روز آزمایش می کنند و پس از آن میزان مصرف اندازه گیری می شود. هر گوساله فقط یک بار (یعنی 24 ساعت) از یک محصول تغذیه می کند، در حالی که هر روز همه گوساله ها از یک محصول متفاوت تغذیه می کنند - اساساً با طراحی مربع لاتین. با این حال، آزمایشهای مربوط به دو محصول با شکست مواجه شدند، زیرا مقادیر کافی از آنها به دلیل مشکلات تحویل وجود نداشت (یکی از نوع A، یکی از نوع B). بنابراین، اینها باید در تحلیل حذف می شدند. از آنجایی که هر گوساله ممکن است سرعت مصرف خاص خود را داشته باشد، مایلم گوساله را به عنوان یک اثر تصادفی در نظر بگیرم. مصرف همچنین می تواند به صورت روزانه در نوسان باشد، بنابراین زمان اثر تصادفی دیگری به نظر می رسد. تجزیه و تحلیل داده های اکتشافی نشان داد که مصرف با نرمال مطابقت دارد. بنابراین، یک مدل مختلط خطی بهترین گزینه است. در R، فرمول مدلی که من امتحان کردم این است: مصرف ~ نوع غذا + پروتئین + (1 + نوع غذا | گوساله) + (1 | روز) زیرا هر گوساله نرخ تغذیه خاص خود را دارد (قطع تصادفی) و ممکن است ترجیحات خاص خود را برای انواع غذا داشته باشد. (شیب تصادفی) اولین بند تصادفی را وارد کردم. دومین قطع تصادفی برای روز به این دلیل است که مصرف ممکن است در طول زمان تغییر کند. با این حال، من مطمئن نیستم که آیا اثرات تصادفی باید تودرتو باشد، زیرا در هر روز هر گوساله ممکن است مصرف متفاوتی داشته باشد. اما، من نمی توانم این را تشخیص دهم زیرا هر روز گوساله از محصول متفاوتی تغذیه می کند، بنابراین مصرف روزانه به ازای هر گوساله در روز و محصول غذایی ارائه شده را نمی توان تشخیص داد اگر درست بگویم. بنابراین، آیا این ساختار اثر تصادفی صحیح برای تجزیه و تحلیل این مجموعه داده خواهد بود؟ | ساختار اثرات تصادفی طراحی نامتعادل |
47502 | همه چیز را در عنوان واقعا می گوید. هنگام ایجاد یک Glmm با توزیع گاما، آیا باید داده های متغیر پاسخ خود را بین 0 و 1 تبدیل کنم؟ ممنون جاناتان | اگر از Glmm با توزیع گاما استفاده می کنم، آیا باید داده های خود را بین 0 و 1 تبدیل کنم؟ |
107662 | من یک طبقه بندی کننده ساده بیز نوشتم و می خواهم بتوانم میزان اطلاعاتی که یک متغیر در مورد متغیر دیگر می دهد را آزمایش کنم. ایده این است که از آنهایی استفاده کنید که متعامدترین هستند و از استفاده از متغیرهای بسیار زائد اجتناب کنید. ایده من این بود که از اطلاعات متقابل استفاده کنم، اما متوجه شدم که آنطور که ابتدا فکر می کردم واضح نیست. برای مثال، اگر متغیرهای من X = { 1، 2، 3، 4 } و Y = {9، 10، 11، 12 } باشند، به نظر می رسد اطلاعات متقابل 2 باشد. اما اگر X = { 1، 2، 3، 4، 5، 6، 7، 8 } و Y = { 9، 10، 11، 12، 13، 14، 15، 16 }، سپس اطلاعات متقابل 3 است. اما در هر دو مورد، اگر این اعداد لیست هستند (مانند ستون های یک پایگاه داده یا صفحه گسترده)، آنگاه X = 1 همیشه با Y = 9 و غیره جفت می شود، یعنی دانستن یکی همیشه ارزش دیگری را به شما خواهد گفت. بنابراین اگر هر دو حالت دارای یک نگاشت 1 به 1 بین X و Y باشند و اطلاعات متقابل متفاوت باشد، اطلاعات متقابل چقدر در تعیین میزان اطلاعات شما در مورد یک متغیر با دانستن متغیر دیگر مفید است؟ مقداری مانند $$\frac{H(X,Y)}{H(X) + H(Y)}$$ یا $$\frac{H(X,Y)}{I(X,Y)} $$ بهتر کار می کند؟ آیا کسی تجربه ای در تعیین مقدار یک متغیر در مورد متغیر دیگر دارد؟ در اینجا خلاصه ای از این دو نمونه آورده شده است. مثال 1 * X = { 1، 2، 3، 4 } * Y = { 9، 10، 11، 12} * H(X) = 2 * H(Y) = 2 * H(X،Y) = 2 * I(X,Y) = 2 * H(X,Y) / (H(X) + H(Y)) = 0.5 * H(X,Y) / I(X,Y) = 1.0 مثال 2 * X = { 1، 2، 3، 4، 5، 6، 7، 8 } * Y = { 9، 10، 11، 12، 13، 14، 15، 16 } * H(X) = 3 * H(Y) = 3 * H(X,Y) = 3 * I(X,Y) = 3 * H(X,Y) / (H(X) + H(Y)) = 0.5 * H(X،Y) / I(X،Y) = 1.0 | آیا می توانید از اطلاعات متقابل برای تعیین اینکه یک متغیر در مورد دیگری به شما چقدر می گوید استفاده کنید |
100572 | من مطمئن نیستم که آیا چنین سوالی هنوز در این وب سایت مطرح شده است یا خیر. من اخیراً به عنوان یک رشته آمار در مقطع کارشناسی فارغ التحصیل شدم با کمی پیشینه ریاضی متراکم (من مقداری نظریه احتمال و حساب تصادفی را می دانم و دو ترم تجزیه و تحلیل واقعی و جبر انتزاعی را گذرانده ام). من کمی ناامید هستم، زیرا علیرغم تمام تئوری هایی که آموخته ام، از نظر به کار بردن آموخته هایم زمینه زیادی ندارم. تنها تجربه ای که من با برنامه ها دارم یک دوره مقدماتی اقتصاد سنجی است که به طور عجیبی برای رشته آمار مورد نیاز نبود (زمانی که هنوز یک رشته اکچوئری بودم آن را پس گرفتم). من متوجه شدم که آن کلاس به دلیل عدم دقت ریاضی در آن خسته کننده است، و از استاد خواستم تا برای اثبات قضیه گاوس-مارکوف در حالی که درس را می گذراندم. برای کسی که سوابق ریاضی من دارد، چه کتاب های درسی ریاضی محور را برای یادگیری در مورد اقتصاد سنجی و مسائلی که با ایجاد مدل ها همراه است (چند خطی، ناهمسانی، همبستگی سریال، و غیره) توصیه می کنید؟ (اگر سوال من مبهم است، به من اطلاع دهید و می توانم آن را برای دقیق تر ویرایش کنم.) | کتاب های درسی مربوط به ایجاد مدل؟ |
47506 | برای اینکه درکم از احتمالات اساسیتر باشد، سخنرانیهای راهبان ریاضی را تماشا کردم که شامل $\sigma$-جبر و غیره بود - خوب. یکی از نگرانی های اصلی من درک بهتر مبنای احتمال شرطی بود: $P[A|B] = P[AB]/P[B]$. سوال من ساده است از کجا بفهمیم که این ضریب واقعاً یک اندازه گیری احتمال است؟ از این گذشته، چیزهایی مانند شانس $P[A] / P[\bar{A}]$ یک اندازه گیری احتمال نیست. | مبنای ریاضی برای احتمال شرطی |
108480 | در (نوازین و لامپرت، _ یادگیری ساختاریافته و پیش بینی در بینایی کامپیوتری_، ص 29.)، آنها می گویند که در نوع حداکثر جمع انتشار باورهای حلقه ای، متغیر حداکثر باورها دیگر به عنوان حاشیه ها قابل تفسیر نیستند، بلکه $\ mu_i(y_i)$ حداکثر انرژی منفی قابل دستیابی را هنگام تثبیت متغیر $Y_i = y_i$ توصیف می کند. منظورم این است که اگر $Y_i = y_i$ را تنظیم کنیم، حداکثر انرژی منفی که MRF میتواند در تمام انتسابهای متغیر به گرههای دیگر به دست آورد (با ثابت بودن $Y_i = y_i$) $\mu_i(y_i)$ است. آیا این درست است؟ در پاراگراف بعدی، آنها می گویند: برای بازیابی یک برچسب حداقل انرژی مشترک، برای هر متغیر $Y_i$ حالت $y_i \in \mathcal{Y}_i$ با حداکثر باور، $y_i^* = \ را انتخاب می کنیم. text{argmax}_{y_i \in \mathcal{Y}_i} \mu_i(y_i) \text{ } \forall i \in V$. چگونه این یک برچسب حداقل انرژی مشترک است؟ من نمیدانم که چگونه این $y_i$ را انتخاب میکند تا شرایط تعامل جفتی آنها در نظر گرفته شود. به نظر میرسد که هر کدام را به تنهایی در نظر میگیرد و $y_i$ را انتخاب میکند تا انتخاب متغیرهای دیگر _could_ منجر به حداکثر با توجه به آن انتخاب $y_i$ شود، اما سپس به انتخاب $y$ دیگر به صورت محلی ادامه میدهد. خوب، بدون در نظر گرفتن این $y_i$. آیا این برچسب گذاری مشترک حداقل انرژی یک برچسب حداقل انرژی جهانی نیست؟ اگر نه منظور از مشترک چیست؟ | نوع حداکثر جمع / حداکثر محصول محاسبات لوپی BP چیست؟ |
88361 | آیا هنگام استفاده از رگرسیون لجستیک در نمونهای با احتمال موفقیت متوسط نزدیک به یک (1.4M مجموعه داده، میانگین احتمال موفقیت = 0.975) اخطارهایی وجود دارد؟ | رگرسیون لجستیک با احتمال موفقیت نزدیک به یک |
88363 | من یک نظرسنجی دارم که در آن پرسیدم، آیا برای خرید تیشرت در خیابان سنت ژان آماده هستید؟ [بله/نه/نمی دانم]. سپس من سؤالات زیادی پرسیدم، در نهایت از جمله، آیا برای یک مغازه تیشرت فروشی در خیابان سنت ژان آماده می شوید که بدانید کارکنانی که در آنجا کار می کنند (ذهنی یا جسمی) معلول هستند؟ [بله/نه/نمی دانم] می خواهم بدانم: 1. بهترین راه برای تجسم دو سوال چیست؟ 2. بهترین آزمون آماری برای انجام چیست؟ می خواهم بدانم آیا افرادی که به سوال 1 بله می گویند به سوال 2 بله می گویند و افرادی که به سوال 1 نه می گویند به سوال 2 نه می گویند. | چگونه یک سوال مشابه را در نظرسنجی بررسی کنیم |
111264 | من یک طرح آزمایشی پیچیده دارم: 3 گروه، که هر کدام در 4 نوبت می آیند و از 250 الکترود پوست ضبط می کنم. من علاقه مندم بدانم کدام یک از الکترودها نشانگر مفیدی برای پیش بینی برهمکنش گروه x مناسبت ارائه می دهد. بنابراین، اگر من 250 ANOVA (3x4) انجام دهم، مطمئناً برای مقایسه های متعدد باید اصلاح کنم؟ هنگامی که الکترودهای مورد علاقه را شناسایی کردم، آزمایشات بیشتری را انجام خواهم داد. این رشته (آیا برای چندین ANOVA در یک مجموعه داده به تنظیم p-value نیاز دارم؟) با یک سوال مشابه با یک طراحی آزمایشی سادهتر و در نتیجه تعداد کمتری از ANOVAها سروکار دارد، جایی که مسلماً مقایسههای چندگانه چنین مشکلی نیست. در مورد من، 250 ANOVA وجود دارد. تفسیر ANOVA 3 طرفه سخت به نظر می رسد (شاید فقط من هستم). آیا تنظیم FDR برای 250 تست مناسب است؟ | چگونه می توان برای مقایسه های متعدد با تعداد زیادی ANOVA تنظیم کرد؟ |
108226 | بگویید من می خواهم بدانم برای آزمایشی که در آن به دنبال تعیین اینکه آیا تفاوت در دو نسبت موفقیت از نظر آماری معنی دار است یا نه، به چه حجم نمونه نیاز دارم. در اینجا روند فعلی من است: 1. برای ایجاد پیش بینی های پایه به داده های تاریخی نگاه کنید. بگویید که در گذشته، انجام یک عمل منجر به 10٪ درصد موفقیت می شود در حالی که انجام ندادن یک عمل منجر به 9٪ درصد موفقیت می شود. فرض کنید که این نتیجهگیریها از نظر آماری تایید نشدهاند، اما براساس مقادیر نسبتاً زیادی از دادهها (بیش از 10000 مشاهدات) هستند. 2. این فرضیات را به power.prop.test وصل کنید تا موارد زیر را بدست آورید: power.prop.test(p1=.1,p2=.11,power=.9) مقایسه دو نمونه ای از محاسبه توان نسبت ها n = 19746.62 p1 = 0.1 p2 = 0.11 sig.level = 0.05 توان = 0.9 جایگزین = دو طرفه 3. بنابراین این به من می گوید که برای تشخیص تفاوت قابل توجهی بین نسبت ها، به اندازه نمونه 20000 در هر گروه از آزمون A/B نیاز دارم. 4. مرحله بعدی انجام آزمایش با 20000 مشاهده در هر گروه است. گروه B (بدون اقدام انجام شده) دارای 2300 موفقیت از 20000 مشاهده است، در حالی که گروه A (اقدام انجام شده) دارای 2200 موفقیت از 20000 مشاهده است. 5. یک تست prop.test prop.test(c(2300,2100),c(20000,20000)) تست 2 نمونه ای برای برابری نسبت ها با داده های تصحیح پیوستگی انجام دهید: c(2300, 2100) از c(20000, 20000) X-squared = 10.1126، df = 1، p-value = 0.001473 فرضیه جایگزین: دو طرفه فاصله اطمینان 95 درصد: 0.003818257 0.016181743 تخمین نمونه: prop 1 prop 2 0.115 0.105 6. بنابراین می گوییم که می توانیم فرض صفر را رد کنیم که نسبت ها برابر هستند. **سوالات** * آیا این روش صحیح است یا حداقل در مسیر درستی قرار دارد؟ * آیا میتوانم «alt=greater را در prop.test مشخص کنم و به p-value اعتماد کنم، حتی اگر power.prop.test برای یک آزمایش دو طرفه باشد؟ * اگر مقدار p در prop.test بیشتر از 0.05 بود چه؟ آیا باید فرض کنم که من یک نمونه از نظر آماری معنادار دارم اما از نظر آماری تفاوت معنی داری بین این دو نسبت وجود ندارد؟ علاوه بر این، آیا اهمیت آماری ذاتی در p-value در prop.test است - یعنی آیا power.prop.test حتی ضروری است؟ * اگر نتوانم تقسیم 50/50 را انجام دهم و نیاز به انجام مثلاً تقسیم 95/5 داشته باشم، چه؟ آیا روشی برای محاسبه حجم نمونه برای این مورد وجود دارد؟ * اگر ندانم پیشبینی پایه من برای نسبتها چگونه باید باشد؟ اگر حدس بزنم و نسبت های واقعی خیلی دور باشد، آیا این تحلیل من را باطل می کند؟ هر شکاف دیگری را که بتوانید پر کنید بسیار قدردانی خواهد شد - بابت ماهیت پیچیده این پست عذرخواهی می کنم. متشکرم! | R - power.prop.test، prop.test و اندازه های نمونه نابرابر در آزمون های A/B |
108223 | آیا انجام یک آزمون F برای برابری واریانس ها بر روی واریانس های خطا (RSS تقسیم بر درجات آزادی) درست است؟ خیلی ممنون | f آزمون برابری واریانس در واریانس های خطا |
4383 | [ویرایش در پاسخ به بازخورد- با تشکر :-) ] دوه! ویرایش های بیشتر! متاسفم! سلام- من در حال جمع آوری داده های نسبتاً خشن و آماده با یک نظرسنجی که برای کارکنان مراقبت های بهداشتی با استفاده از مقیاس منتشر شده در مورد روحیه و سایر موارد از این قبیل ارسال شده است، انجام می دهم. تنها چیزی که وجود دارد این است که مقیاس نسبتاً طولانی با سایر موارد در نظرسنجی است و من می خواهم اندازه آن را با نصف کردن هر خرده مقیاس و فقط با استفاده از نیمی از موارد کاهش دهم. شهود من این است که این خوب است، زیرا خرده مقیاسها به هم مرتبط هستند، و اگرچه برای تحقیق استاندارد انتشار ایدهآل نیست، فقط برای کمی واقعیتیابی درون سازمانی مشکلی ندارد. من تعجب کردم که آیا کسی در مورد اعتبار انجام این کار، مشکلات، یا هر چیز دیگری نظری دارد. مراجع به ویژه با سپاس پذیرفته می شوند زیرا همکاران من به برخی قانع کننده ها نیاز دارند! با تشکر فراوان، کریس بی ویرایش می کند - بله، این یک مقیاس معتبر با ویژگی های روان سنجی شناخته شده است. این یک بعدی است و دارای مقیاس های فرعی است، اگر این روش درست است. من در مقیاس فرعی و کل کار خواهم کرد، نه در سطح آیتم. 30 مورد، احتمالا حدود 40-60 نفر. به سلامتی | آیا می توان به طور معتبر تعداد موارد را در مقیاس لیکرت منتشر شده کاهش داد؟ |
104637 | من توزیعی دارم که به سمت چپ منحرف شده است (یعنی مقادیر زیادی از مقادیر کم، با نام مستعار مثبت - تأیید شده) اساساً، من مقدار زیادی [~ حداقل] مشابه، یا مقادیر 0، یا چیزی شبیه به 1 مقدار دارم که تنها مقدار زیر مقدار میانه است. داده ها قبلاً بر اساس یک اجرا [تبدیل] ECDF به 0 تا 100٪ نرمال شده اند. AKA یک تابع توزیع تجمعی تجربی، بسیار شبیه به تبدیل رتبه، بسیار ساده است. مقدار برابر یا کمتر از بقیه مقادیر است، در غیر این صورت، تعداد مقادیر را کمتر یا مساوی با مقدار فعلی بشمارید و آن را در آن مقادیر به طور کلی تابع توزیع تجمعی حساب کنید. بنابراین... آیا یک راه ساده برای معنی تنظیم توزیع ecdf به میانگین 0.5 و شیب دادن داده ها از 0 تا 100٪ وجود دارد اولین حدس من این بود که تفاوت را از میانگین 0.5 دنبال کنم. دومین حدس من این بود که # #های منحصر به فرد را در توزیع [منحرف] خود استخراج کنم تا دسته بندی هایی را که باید بر اساس تفاوت خود از میانگین تقسیم کنم، ایجاد کنم. مجموعه نمونه داده ها: 0 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 پس از تبدیل ecdf 0.05 0.55 0.55 0.55 0.55 0.55 0.55 0.55 0.501.501. 1 1 1 1 1 mean: 0.7275 من یک ایده داشتم که هر چیزی مساوی یا کمتر از میانه را با 0.5 فاکتور DOWN کنم که میل ما برای رسیدن به میانگین 0.5 به این دلیل است که توزیع را با توزیع های دیگری ترکیب می کنیم که پس از تبدیل ecdf قبلاً دارای ~ هستند. 5 میانگین مشکل مجموعه دادههای اریب ما این است که مقادیر اریب کم را به %های بالا ارتقا میدهد و ما نمیخواهیم این کار را انجام دهیم. بنابراین، ما ترجیح می دهیم با داده های کج شده به 0.5 برسیم. | توزیع ECDF [کج]، مایل به تنظیم به 0.5 است |
108228 | من در R با داده های سری زمانی روزانه کار می کنم و مشاهدات روزانه دو متغیر را دارم. اولی پیوسته است. دومی برای هر روز صفر است به جز یک، که در آن یک عدد است ( _من مطمئن نیستم که آن را چه نامی بگذارم، بنابراین در عنوان خود به آن تقریبا بولی اشاره کردم_). هر دو متغیر ثابت هستند. من صدها مشاهده دارم که باید با آنها کار کنم، اما یک ماه نمونه داده را جمع آوری کرده ام: d <- (as.Date(2000-01-01):as.Date(2000-01-30)) x <- c(19,31,47,65,42,55,43,69,38,57,85,70,38,42,50,40,35,69,48,37,41,32,39,41, 58،43، 32،25،22،30) z <- c( 0,0,0,26,0,0,0,0,0,0,28,0,0,0,0,0,19,0,0,0,0,0,0,22, 0,0,0,0,0) داده <- data.frame(date=as.Date(d),x = as.integer(x),z = as.integer(z)) برای یک بردار معین y( t)، بهترین است رویکرد/بسته ای برای آزمایش اینکه آیا متغیرهای x(t) و z(t) (و مقادیر تاخیری آنها) پیش بینی کننده y(t) هستند؟ پیشاپیش از پیشنهادات شما متشکرم | چگونه به رگرسیون سری زمانی با یک متغیر پیوسته و یک متغیر تقریبا بولی نزدیک شویم؟ |
81120 | من اغلب از این مدل برای آزمایش کارایی صید و ویژگیهای انتخاب اندازه یک ابزار ماهیگیری ترال استفاده میکنم: \begin{equation} \theta(l)=\frac{s\times r(l)}{(1-s)+s \times r(l)} \end{equation} که در آن $\theta(l)$ نشان دهنده میزان صید مورد انتظار در چرخ دنده آزمایشی ($T$) است که به موازات ماهیگیری شده است. یک چرخ دنده غیر انتخابی (دنده کنترلی با مش های کور، $C$). پارامترهای موثر بر $\theta(l)$ عبارتند از: * **پارامتر تقسیم** $(s)$: احتمال ورود ماهی را به $T$ ($s$) یا در $C$ ($1) تعریف می کند. -s$), $s\in\\{0,1\\}$ * **انتخاب اندازه ماهی** ($r(l)$): احتمال احتباس ماهی را در $T$ تعریف می کند. این احتمال به طول بدن ماهی مشروط است، بنابراین انتخاب اندازه را در $T$ توصیف می کند. انتخاب اندازه ماهی برای تعریف با استفاده از تابع logit استفاده می شود: \begin{equation} r(l)=\frac{exp(\beta_1+\beta_2\times l )}{1+exp(\beta_1+\beta_2\times l ) } \end{equation} به طور کلی، در مجموع 3 پارامتر وجود دارد که باید تخمین زده شوند ($s$, $\beta_1$, $\beta_2$). ما از تکنیکهای رگرسیون غیرخطی برای تخمین چنین پارامترهایی با به حداکثر رساندن تابع log-relihood دو جملهای استفاده میکنیم: \begin{equation} \sum_l(N_{l}^T\times \log\theta(l)+N_{l}^C\times \log(1-\theta(l))) \end{equation} که $N_{l}^T$ تعداد ماهیها در هر کلاس طول است در $T$ و $N_{l}^C$ اعدادی است که در $C$ گرفته شده است. در طول یک آزمایش معمولی، ما جفت چرخ دنده ($T$ و $C$) را چندین بار برای انجام ماهیگیری موازی مستقر می کنیم. برای در نظر گرفتن تغییرات بین حمل و نقل، از راهانداز (با استفاده از طرح نمونهگیری مجدد بر اساس نمونهگیری مجدد بین کشتیها و ماهیها در حوضه) برای تخمین خطاهای $s$، $\beta_1$ و $\beta_2$ استفاده میکنیم. من متعجبم که آیا می توان به سمت یک رویکرد مدل سازی ترکیبی غیرخطی تغییر جهت داد، جایی که هال ها به عنوان یک جزء تصادفی در نظر گرفته می شوند. در حال حاضر تنها با استفاده از حداقل مربعات به عنوان معیار کمینه سازی می توانم چنین رویکردی را بیابم. اما من نتوانستم راهی برای ادامه استفاده از تابع جرم دوجمله ای log-likelihood به عنوان معیار هدف پیدا کنم. پیشاپیش از هر نظر یا راهنمایی ممنونم | برای داده های توزیع شده دو جمله ای از مدل ترکیبی غیرخطی استفاده کنید |
108227 | من سعی می کنم از مدل رگرسیون لجستیک خطی با تنظیم L2 استفاده کنم. من نمیخواهم دادههای آموزشی برای اعتبارسنجی متقاطع تقسیم شوند. من می خواهم مجموعه اعتبار سنجی خود را برای هدف اعتبار سنجی مشخص کنم. آیا کسی می تواند به من بگوید که چگونه آن را انجام دهم؟ | تعیین مجموعه داده اعتبارسنجی برای liblinear |
86359 | برای $Y \sim \mathcal{N}(\mu,\sigma^2)$, $$X = \frac{\exp(Y)}{1+\exp(Y)},$$ بنابراین $X$ دارای توزیع logit-normal است. سپس $$\mathbb{E}(X^2) = \int_{-\infty}^\infty \frac{\exp(2y)}{\left(1+\exp(y)\right)^2} \frac{1}{\sqrt{2\pi}\sigma}\exp{\left(-\frac{(y-\mu)^2}{2\sigma^2}\right)} dy $$ آیا می توانم $ \mathbb{E}(X^2) $ را به عنوان تابعی از $\mu$ و $\sigma$ بیان کنم؟ هدف من تخمین $\mu$ و $\sigma$ است که $ \left(\mathbb{E}(X^2)\right)^n $ را به حداکثر برسانند. | تخمین پارامترهای logit-normal |
100573 | مجموعه داده های من شامل مجموعه بزرگی از رویدادها است. هر رویداد در یک مکان دلخواه رخ می دهد و برای مدت زمان دلخواه اما محدودی طول می کشد. از آنجایی که من هیچ تجربه ای با مدل سازی مکانی-زمانی ندارم، آیا می توانید نقطه شروعی را در مورد چگونگی ساخت مدلی برای چنین داده هایی ارائه دهید که به من امکان می دهد پیش بینی کنم که رویدادها در آینده احتمالاً کجا رخ می دهند و احتمالاً چقدر طول می کشند؟ آیا بالاخره این امکان پذیر است؟ | چگونه رویدادهای مکانی-زمانی را پیش بینی کنیم؟ |
20441 | هر دو آزمون نسبت درستنمایی و AIC ابزارهایی برای انتخاب بین دو مدل هستند و هر دو بر اساس log-lihood هستند. اما، چرا آزمون نسبت احتمال نمی تواند برای انتخاب بین دو مدل غیر تودرتو استفاده شود در حالی که AIC می تواند؟ | انتخاب مدل غیر تودرتو |
113328 | تخمین پارامتر سیستم های غیرخطی فیلتر کالمن بدون بو (کاغذ و بسیاری دیگر تحت تکنیک شناسایی نیمه کور طبقه بندی می شوند زیرا نویسندگان می گویند که دینامیک نقشه غیرخطی یعنی سیستم باید در گیرنده مشخص شود. در مقاله نیمه کور مبتنی بر آشوب شناسایی سیستم های غیرخطی، یک رویکرد شناسایی سیستم نیمه کور برای تخمین پارامترها و وضعیت یک مدل میانگین متحرک خطی و غیرخطی که توسط سیگنال آشوبانگیز هدایت میشود، در بند زیر بخش 2.1، نگاشت غیرخطی، یعنی سیگنال هدایتشده آشفته و ترتیب مدل MA اتخاذ شده است. شناخته شده است 1. سوال اول بر اساس این مقالات است -- آیا دانستن از نقشه به این معنی است که سیگنال رانندگی 2؟ اطلاعات شناخته شده و ناشناخته در نابینایان و نیمه کورها چیست و چرا این تکنیک نیمه کور است؟ | تفاوت بین تخمین کور و نیمه کور |
108221 | فرض کنید که یک تورنمنت برای یک بازی با چهار بازیکن در هر تیم دارید. ما همچنین جدولی داریم که آمار کلی هر بازیکن را به ما می گوید. این جدول شامل مواردی مانند تعداد بازیهای هر بازیکن، % بازیهای برنده شده و سایر آمارهای خاص بازی است. حالا، اگر من یک تورنمنت را با آن اجرا میکردم، میخواستم برای هر بازی تیمهای متعادلی ایجاد کنم که هیچ کدام از تیمها مزیت قابل توجهی نداشته باشند. با این حال، من فقط برای بازیکنان انفرادی آمار دارم. بنابراین، من به روشی نیاز دارم تا با توجه به داده های تک تک بازیکنان، بین تیم ها تعادل ایجاد کنم. من همچنین یک مدل رگرسیون چندگانه دارم که در محاسبه درصد برد یک بازیکن به طور قابل قبولی دقیق است. آیا می توانم از این مدل برای پیش بینی درصد برد یک تیم خاص استفاده کنم. (شاید با میانگین گرفتن از آمار 4 بازیکن تیم؟) نمی دانم که آیا این روش بیشتر از محاسبه چیزی با درصد برد به تنهایی معتبر است یا خیر، اما به عنوان یک گزینه به ذهنم خطور کرد. (در این سوال آخر از خودم جلو می گیرم، اما بد نیست بدانید) همچنین اگر یک تیم (مثلاً) 60 درصد برد داشته باشد، چگونه باید شانس شکست یک تیم دیگر را محاسبه کنم. درصد و تیم دیگر 80 درصد درصد برد دارد؟ آیا فقط 60 و 80 را روی 140 می گیرم تا درصد برد مقیاس را بدست بیاورم (43٪ در مقابل 57٪)، یا روش بهتری وجود دارد؟ | ایجاد تیم های متوازن آماری |
100575 | فرض کنید من یک پاسخ $Y_t \sim N(0,\sigma^2_Y)$ دارم و دارای $X_{i,t} \sim N(0,\sigma^2_{X_i})$ برای $i \in \\ است. {1,...,100\\}$. $Y_t$ با یک مدل _خطی_ مطابقت دارد. $ بر اساس یک مدل خطی منظم با تمام $X_{i,t}$. * یک مدل با دقت فوق العاده دقیق به طور خاص در حداکثر $Y_t$ بسازید. یعنی زمانی که $Y_t$ به مقادیر بسیار منفی یا بسیار مثبت (نسبت به $N(0,\sigma^2_Y)$) نزدیک شود، خطاهای خارج از نمونه بسیار کوچک هستند. * من به راه حل های عملی علاقه مند هستم. * من به بی طرفی / سازگاری خطای استاندارد اهمیت نمی دهم. چگونه می توانم در چارچوب مدل های خطی منظم شده به این امر برسم؟ متوجه شدم که به نوعی تابع کاهش وزن نامتقارن نیاز دارم. آیا در این مورد کار شده است؟ از طرف دیگر شاید میتوانم $sign(Y_t)*|Y_t|^c$ را پیشبینی کنم، جایی که $c > 1$، به منظور وزندهی بیشتر به افراطها، و $c$ را از طریق اعتبارسنجی متقاطع علّی بر اساس یک تابع سودمند انتخاب کنم. بیش از خطاهای در نهایت ($c$ را بر اساس $\sum_{t=T+1}^{T+T'} بهینه کنید U(خطا(Y_t،e_t))$؟ | چگونه می توان افراط یک متغیر پاسخ پیوسته را پیش بینی کرد؟ |
86354 | من به دنبال پیوستن به حوزه آمار و دقیق تر به پیش بینی هستم. من یک توسعه دهنده نرم افزار هستم و به تازگی شروع به بازی با R کردم. آیا می توانید چند آموزش مرتبط با پیش بینی را به من توصیه کنید، اما چیزی که مبتدیان می توانند از عهده آن برآیند. همچنین خواندن و امتحان برخی از مشکلات مربوط به پیشبینی که در آن دادههای ورودی نیاز به تمیز کردن دارند، عالی خواهد بود. | آموزش گام به گام برای مبتدیان |
100064 | سلام من در حال توسعه یک آموزش الگوریتم مدل مارکوف مخفی با چندین توالی هستم. نرخ تشخیص خوب است، اما من در مورد شکل منحنی احتمال ورود به سیستم به دست آمده از تکرار baumwelch تردید دارم. در اینجا شما دو مثال دارید، من اشتباه انجام می دهم؟! آیا همیشه نباید مقعر باشد؟ xaxes=itation, yaxes=loglikelihood   | آموزش مدل مارکوف پنهان باوم ولش، احتمال ورود به سیستم تقعر |
81311 | لطفاً میتوانید مثالی ارائه دهید یا فرمول مناسبی برای وضعیت زیر ارائه دهید: همبستگی بین متغیرهای (x و y) عالی است، اما پیشبینی y توسط مقادیر x در هنگام استفاده از مدل رگرسیون خطی ضعیف است. خیلی ممنونم! | همبستگی عالی، پیش بینی ضعیف |
100570 | فرض کنید $\\{B_n\\}_{n\in\mathbb N}$ رویدادهای تقریباً مطمئنی هستند، یعنی $\mathbb P(B_n)=1، \forall n$. سپس چگونه نشان دهم که تقاطع آنها نیز یک رویداد مطمئن است، یعنی $\mathbb P\left(\cap_{n=1}^\infty B_n\right)=1$. با تشکر | تقاطع قابل شمارش رویدادهای تقریباً مطمئن نیز تقریباً مطمئن است |
4030 | من می خواهم فرم استاندارد VECM را گسترش دهم: Δx[t] = δ0 + ... + Π x[t-1] + Φ1 Δx[t-1] + Φ1 Δx[t-2] + ... + ε به شامل متغیرهای برونزا (یعنی متغیرهایی که در توصیف روابط بین «Δx[t]» مشارکت دارند، اما در مجموعه وابسته «Δx[t]» نیستند). بیایید این متغیرهای جدید را z بنامیم. مایل به تعیین MLE از ضرایب در VECM تجدید نظر شده: Δx[t] = δ0 + ... + Π x[t-1] + Φ1 Δx[t-1] + ... + θ1 z[t- 1] + ... +ε من با روش جوهانسن در تعیین ضرایب MLE برای فرم 1 آشنا هستم. من مطمئن نیستم که چگونه می توان روش را برای تعیین فرم دوم تغییر داد. میتوان از یک بهینهساز برای یافتن ضرایب VECM با متغیرهای برونزا استفاده کرد، اما فکر میکنیم احتمالاً رویکرد مستقیمتری وجود دارد. | یافتن ضرایب برای VECM + متغیرهای برون زا |
77113 | من میخواهم افراد را با استفاده از دادههای مصرف برق طبقهبندی کنم، مجموعه دادههای زیر را تصور کنید:  نتیجه متغیر کلاسی است که من می خواهید با استفاده از میانگین و حداکثر مصرف تشخیص دهید. من مطمئن هستم که برای الگوریتم یادگیری ماشینی نظارت شده مهم است که بداند داده ها در آخر هفته ثبت شده اند یا در طول هفته. چون از نتایج خیلی راضی نبودم، داده ها را تبدیل کردم و اکنون مجموعه داده زیر را دارم:  نتایج با استفاده بدتر شدند SVM و J48-Decision Tree. برای من منطقی است که چرا: ستون روز هیچ ارتباطی با کلاس نتیجه ندارد. الگوریتم های انتخاب ویژگی ستون روز را حذف می کنند و درخت تصمیم متوجه می شود که متغیر روز هیچ ارتباطی با نتیجه ندارد. بنابراین سوال من: آیا اولین مجموعه داده تنها گزینه ای است که می توانم در این مورد استفاده کنم؟ آیا طبقهبندیکننده/الگوریتمهای انتخاب ویژگی وجود دارد که بتواند به خوبی با مجموعه داده دوم مقابله کند؟ من از weka-framwork استفاده می کنم. اگر راهنمایی دیگری برای بدست آوردن نتایج مناسب دارید، لطفاً به من بگویید :) در حال حاضر من از یک الگوریتم انتخاب ویژگی استفاده می کنم و سپس SVM، درخت تصمیم و k-Nearest-Neighbours را روی آن اجرا می کنم. خیلی ممنون بهترین | یادگیری ماشینی تحت نظارت - با روزهای مختلف مقابله کنید |
81121 | من نمیدانم چگونه میتوان تفاوتهای ضرایب رگرسیون را در گروهها **در دادههای پانل** (پس از رگرسیون با اثرات ثابت) آزمایش کرد. به ویژه، من نمی توانم راه حلی برای چگونگی ساخت عبارات تعاملی بیاندیشم، اگر گروه هایی که به آنها علاقه دارید ** مشابه گروه هایی نباشند که جلوه های ثابت خود را در آنها تنظیم کرده اید. **مثال:** شما دو نوع پاسخگوی نظرسنجی دارید (2 گروه): بزرگسالان و کودکان. آنها به سؤالاتی در مورد انواع بستنی (اثرات ثابت در سطح بستنی) پاسخ می دهند. مجموعه دادههای پانل برای یک رگرسیون ساده با اثرات ثابت به این شکل است (همه متغیرها در بزرگسالان و کودکان جمعآوری میشوند): +------------------------ ----------------+ | روز | بستنی | امتیاز | هزینه | اندازه| |-----+-----------+--------+-------+-----+ 1. | 1 | choco | 1 | 4 | 3 | 2. | 1 | فندق | 9 | 2 | 1 | 3. | 2 | فندق | 3.5 | 1 | 1 | 4. | 3 | توت | 3.5 | 5 | 2.5| 5. | 3 | وانیل | 4 | 3 | 2 | و غیره | . | ...... | . | . | ...| + ------------------------------------------+ چگونه می توانید اصطلاحات تعامل را برای بزرگسالان درج کنید و فرزندان در پسرفت شما؟ من میتوانم رگرسیونها را به طور جداگانه روی دو مجموعه داده (یکی برای بزرگسالان، یکی برای کودکان) اجرا کنم، اما چگونه میتوانم تفاوتهای قابل توجه را در آن زمان آزمایش کنم؟ خیلی ممنونم! من یک مورد مشابه را در اینجا پرسیدم، اما شاید این خیلی جزئی بود یا به اندازه کافی واضح نبود. **ویرایش در پاسخ به @vinnief:** میخواهم با نشان دادن ساختار بالقوه مجموعه دادههای حاصل، نحوه درک پیشنهادات @vinnief را توضیح دهم. فراموش کردم متذکر شوم که متغیر وابسته (رتبهبندی) از پاسخهای پاسخدهندگان به دست نمیآید (مجلهای لذیذ را تصور کنید که انواع بستنیها را رتبهبندی میکند. اما هنوز رتبهبندی در طول زمان متفاوت است). اولین پیشنهاد این بود > ایجاد یک نمایه افراد جدید، که نوع بستنی*کودک/بزرگسال است، بنابراین > داده ها را به دو برابر ردیف ها جدا کنید +---------------- ------------------------------------------------+ | روز | بستنی_گروه | امتیاز | هزینه | اندازه|d_adult | d_فرزند| |-------------------------------------------------- -----+---------+ 1. | 1 | choco_adult | 1 | 2 | 3 | 1 | 0 | 2. | 1 | فندق_بزرگسال | 9 | 3 | 4 | 1 | 0 | 3. | 1 | فندقی_فرزند | 9 | 4 | 1.4| 0 | 1 | 4. | 3 | choco_adult | 3.5 | 5 | 1.5| 1 | 0 | 5. | 3 | choco_child | 3.5 | 3 | 2 | 0 | 1 | و غیره| . | ...... | . | . | ...| 1 | 0 | +----------------------------------------------- -----+---------- منظور شما این است؟ من نمی دانم چگونه باید رگرسیون اثرات ثابت را تنظیم کنم تا تفاوت ضرایب را برای بزرگسالان در مقابل کودکان آزمایش کنم؟ پیشنهاد دوم این بود که اگر شاخص را به همان شکلی که هست رها کنید، اما رتبهبندی کودکان و بزرگسالان را در ستونهای جداگانه جدا کنید چه؟ آیا این به شما کمک می کند؟ +----------------------------------------------- -----------------------------+ | روز | بستنی | امتیاز | هزینه_بزرگسال | هزینه_کودک | اندازه_بزرگسال | اندازه_کودک| |------------------------------------------------- ----+------------+-----------+ 1. | 1 | choco | 1 | 2 | 1 | 0 | 0 | 2. | 1 | فندق | 9 | 3 | 4 | 4 | 1.4 | 3. | 3 | choco | 1 | 5 | 3 | 1.5 | 2 | و غیره| . | ...... | . | . | . | . | . | +----------------------------------------------- ------------------------------- آیا پیشنهاد می کنید یک رگرسیون با جلوه های ثابت با **همه** متغیرهای مستقل اجرا کنید؟ (هزینه_بزرگسال،هزینه_کودک،اندازه_بزرگسال،اندازه_کودک)؟ چگونه می توانم تفاوت ضرایب بین بزرگسالان و کودکان را آزمایش کنم؟ باز هم، یک تشکر بزرگ از شما برای کمک به من! | آزمایش تفاوت در ضرایب بین گروه ها در داده های پانل |
111262 | من دادههایی دارم که مقدار اهمیت $p$-مقدار 0.15$ را در یک MANOVA نشان میدهند (شامل یک کنتراست قابل توجه برنامهریزی شده). با این حال، وقتی کد ساختگی را ایجاد می کنم و آن را در یک رگرسیون OLS قرار می دهم، نتیجه قابل توجه است. هر گونه ایده در مورد آنچه که باید انجام شود؟ آیا فقط باید گزارش کنم که MANOVA غیر قابل توجه است، اما تضاد قابل توجهی پیدا کرده ام (و نظر در مورد قدرت ممکن است - N = 44). یا باید از رگرسیون OLS خارج شوم و بگویم که فرضیه من تایید شد؟ | MANOVA غیر معنی دار اما رگرسیون OLS معنی دار |
77115 | **زمینه:** من روی یک مشکل کالیبراسیون کار میکنم که شامل یک تابع 1 بعدی از پارامتر $\theta$ است که برای آن یک جفریز پیش از آن استخراج کردم (در واقع یک دوبعدی اما من یک قبل اطلاعاتی برای یکی از پارامترها دارم). **مشاهده:** استفاده از این پیشین در عمل نتایج استنتاج بسیار بدی به من می دهد. به طور موازی هنگام استفاده از یک انتخاب پیشفرض از فرم: $\theta \sim \mathcal{N}(o,1000^2)$ که $o$ یک مقدار معمولی است، نتایج بسیار خوبی دریافت میکنم. **سوال:** در چنین شرایطی (منتظر بررسی فرمول ها و کدها) چه باید کرد؟ در مورد مدل/داده های من چه معنایی دارد؟ من حدس میزنم این سؤال کاملاً انتزاعی است، اما هر پیشنهاد یا نکتهای به من کمک میکند. | وقتی جفریس قبلی شکست می خورد |
77110 | من به انتظار و واریانس حداکثر چندین واریانس توزیع شده مستقل و نرمال علاقه مند هستم. یعنی با توجه به مجموعهای از $I$ RVهای مختلف با $X_i \sim \mathcal{N}(\mu_i, \sigma_i^2)$، میخواهم $$ \mathbb{E}[\max~X_i] را پیدا کنم. , \\\ \text{Var}[\max~X_i]. $$ من محدوده های محاسباتی بر روی حداکثر مورد انتظار متغیرهای عادی همبسته را پیدا کردم، اما روش ارائه شده در آنجا به یک ادغام عددی نیاز دارد. من به فرم بسته علاقه مند هستم و تقریب فرم بسته را به روش تکراری دقیق ترجیح می دهم. کسی میتواند مرا به مسیر درست راهنمایی کند؟ | $\mathbb{E}$ و واریانس حداکثر $\mathcal{N}(\mu_i, \sigma_i^2)$ مستقل |
100571 | من سعی می کنم یک متغیر وابسته به تعداد (0~60) با صفرهای بیش از حد مدل کنم. هدف پیش بینی است. من برخی از روش های آماری پارامتریک مانند رگرسیون پواسون، رگرسیون منفی-دوجمله ای، تورم صفر و مدل مانع را امتحان کرده ام. همه آنها پیش بینی خوبی نمی دهند (RMSE ~= 5) من همچنین ANN را امتحان کردم و نتیجه بسیار خوب است (RMSE ~= 1). اما این فقط ANN استاندارد تا کنون است که معمولاً برای DV پیوسته اعمال می شود. من فقط تعجب می کنم که استفاده از ANN برای این مشکل ناجور است یا نه؟ چه روشی باید برای پیشبینی تعداد DV بهتر عمل کند؟ خیلی ممنون. هر گونه کمکی قدردانی می شود! به سلامتی، لئو | پیش بینی داده های شمارش با ANN |
60877 | آیا هنگام محاسبه ضریب همبستگی بین: * متغیر پیوسته و گسسته * دو متغیر گسسته نیاز به تعدیل وجود دارد؟ با تشکر | چگونه ضریب همبستگی بین متغیرهای پیوسته و گسسته را محاسبه کنیم؟ |
100397 | من نیاز به مقایسه پاسخ آیتم مقیاس درد چند بعدی دارم > 3 درد وجود دارد و مقیاسی که رنج عاطفی را می سنجد با سطوح طبقه بندی شده رنج (بالا، متوسط و کم). آیا ICC کمک خواهد کرد؟ | همبستگی/مقایسه دو مقیاس برای اندازه گیری سازه های مختلف |
100060 | شاید این یک سوال اساسی باشد، اما من در حال یادگیری در مورد GLMM با استفاده از بسته lme4 هستم. من در مورد روشی که می توانم اهمیت مدل کلی با استفاده از گلمر را بدانم گیج شده ام. اول، مدل تصادفی این است: fit.random <- glmer(VDEP ~ AGE +GENDER +EDUC +V1 +V2 +V3 +(1|STATE)، خانواده = دوجمله ای (logit)، داده = mydata، nAGQ = 0 ) از درخواست Stackoverflow (پیوند) به من در مورد مدل تهی بعدی کمک کنید. fit.null <- update(fit.random,.~1+(1|STATE)) سپس می توانم anova را انجام دهم و اهمیت مدل کلی را آزمایش کنم. آیا این حدس درست است؟ بهترین راه برای آزمایش اهمیت مدل کلی چگونه است؟ جالب خواهد بود یک شبه r مربع بسازید؟ تست های مهم دیگری (بیش از حد، VIF) وجود دارد؟ (می دانم که این یک سوال بسیار کلی است، اما من فقط می خواهم چند ایده برای ادامه یادگیری داشته باشم). در نهایت از هر گونه کمکی متشکرم و بابت اشتباهات قالب متاسفم. | اهمیت مدل کلی GLMM با استفاده از lme4 |
100579 | یک سوال در مورد اینکه چگونه می توان ثابت کرد که تفاوت در مقدار میانگین از نظر استاتیکی قابل توجه است و نه فقط نویز تصادفی. من مجموعه ای از دو مشاهدات دارم که یکی از آنها را عمداً به این شکل (در R) سوگیری خواهم کرد: m <- cbind( A=sample(0:10, 10, replace=TRUE), B=sample(1 :11, 10, replace=TRUE) ) در حال حاضر، حتی با چنین مجموعه داده های کوچکی، میانگین B معمولاً (اما نه همیشه) بالاتر از A است. colMeans(m) همانطور که I اندازه گیری های بیشتری را جمع آوری کنید، سوگیری باید به وضوح آشکار شود. با فرض اینکه من از قبل از سوگیری اطلاعی نداشتم، چگونه می توانم آن را از نظر ریاضی (در صورت امکان در R) اثبات کنم؟ | چگونه بررسی کنیم که آیا یک نمونه تصادفی بایاس است یا خیر |
100065 | بسیاری از آماردانان مشاهده کرده اند که اهمیت یک اصطلاح تعاملی به طور اساسی به وجود یک رابطه خطی بین سازه و ویژگی مشاهده شده بستگی دارد (مثلاً مقالات بوگارتز، 1976، و لوفتوس، 1978، در انتهای پست). Salthouse (2000؛ 149) نیز نمایش تصویری عالی از این موضوع را ارائه می دهد. با توجه به اینکه ما هرگز نمی توانیم مطمئن باشیم که آیا رابطه بین سازه اساسی و صفت مشاهده شده خطی است، آیا راهی برای تعیین میزان اصیل اثر متقابل وجود دارد؟ برای مثال، آیا میتوان استدلال کرد که در انتخاب یک مدل آماری که به خوبی با دادههای ما مطابقت دارد (به عنوان مثال اطمینان از اینکه باقیماندهها به طور معمول توزیع شدهاند) یک رابطه غیرخطی احتمالی بین سازه و صفت را کنترل کردهایم؟ بوگارتز، آر اس (1976). در مورد معنای تعاملات آماری. مجله روانشناسی تجربی کودک، 22 (1)، 178-183. لوفتوس، جی آر (1978). در تفسیر تعاملات. حافظه و شناخت، 6(3)، 312-319. سالت هاوس، T. A. (2000). مفروضات روش شناختی در تحقیقات پیری شناختی. کتاب راهنمای پیری و شناخت، 2، 467-498. | اثرات متقابل و رابطه غیرخطی بین سازه و صفت |
81123 | من اساساً در حال یادگیری در مورد تخصیص دیریکله پنهان هستم. من در حال تماشای یک ویدیو در اینجا هستم: http://videolectures.net/mlss09uk_blei_tm/ و در دقیقه 45 که شروع به توضیح در مورد نمونه برداری از توزیع کرد، گیر کردم. همچنین سعی کردم به کتابی برای یادگیری ماشینی که مقدمه مفصلی در مورد توزیع دیریکلت ندارد، مراجعه کنم. در کتابی که دارم میخوانم، مثالی در مورد نمونهبرداری از «بردارهای احتمال» از توزیع دیریکله ذکر شده است، اما این به چه معناست؟ من نمونه برداری از یک توزیع را به عنوان دریافت مقادیر تصادفی برای متغیرهای تصادفی با توجه به توزیع می دانم. بنابراین اجازه دهید p_X,Y(x,y) اما pmf هر توزیع، نمونه برداری از این توزیع به این معنی است که من یک تصادفی (x,y) دریافت می کنم (یعنی مقادیر تصادفی برای x و y). برای بدست آوردن احتمال به دست آوردن رویداد (X=x و Y=y) pmf توزیع را ارزیابی می کنیم ... بنابراین فقط یک عدد بدست می آوریم. اما اینجا بردارهای احتمال چیست!! اسکرین شات کتاب را پیوست کردم. من واقعا امیدوارم بتوانید کمک کنید!  | نمونه برداری از بردار احتمال از توزیع دیریکله به چه معناست؟ |
100390 | من بین مجموعه _X_ و مجموعه _Y_ لبه های `546,255` دارم. من باید مقادیر فراخوان و دقت را برای این لبههای «546255» محاسبه کنم. با این حال، پس از تحقیقات، متوجه شدم که محاسبه یادآوری برای چنین عدد بزرگی تقریبا غیرممکن است. در عوض، معیاری که می تواند در چنین مواردی استفاده شود، به عنوان «یادآوری نسبی» شناخته می شود. بنابراین، من 127 یال را ارزیابی کردم و متوجه شدم که 114 لبه های مرتبط هستند. بنابراین من می توانم دقت را در این مورد به صورت دقیق محاسبه کنم، دقت = 114/127 پس آیا فرض من درست است که «یادآوری» در اینجا قابل محاسبه نیست؟ اگر می توان آن را محاسبه کرد، چگونه باید یادآوری یا یادآوری نسبی را در این مورد محاسبه کنم؟ | محاسبه فراخوان نسبی |
100394 | من با داده هایی با حجم نمونه نامتعادل (12k در مقابل 18k) و واریانس (0.2 در مقابل 0.4) سروکار دارم و می خواهم یک آزمون t دو نمونه ای انجام دهم. با ویژگیهای عدم تعادل، من فکر میکنم از آزمون t bootstrap استفاده کنم. آیا می توانم دوباره از مجموعه داده های بزرگتر نمونه برداری کنم و تست t را چندین بار انجام دهم و سپس میانگین را بدست بیاورم؟ با تشکر از همه پاسخ ها! برای دقیق تر بودن در مورد داده هایی که با آنها سروکار دارم: مجموعه 1: 12K (var 0.02) در مقابل 18K (var 0.04)، مجموعه 2: 700 (0.02) در مقابل 900 (0.04). همچنین باید 12K را از مجموعه 1 با 700 از مجموعه 2 مقایسه کنید. t.test.btsp <- function(data1,data2,n = 1000,n1,n2) { t.values = numeric(n) for(i in 1:n) { group1 <- sample(data1$v1,size = n1، جایگزینی = T) گروه 2 <- نمونه (داده 2$v1، اندازه = n2، جایگزینی = T) t. مقادیر[i] <- t.test(group1,group2)$statistic } return(t.values) } a <- t.test.btsp(data1,data2,n=1000,n1 = 700, n2= 700) چندک (a,c(0.05 ,0.95)) آیا این راه درستی برای به دست آوردن CI است؟ | تست بوت استرپ |
91518 | در پرتابهای متوالی یک تاس معمولی، کدام یک از دو احتمال زیر احتمال بیشتری دارد که اول اتفاق بیفتد: الف) دو اتفاق متوالی 5 یا ب) سه ظهور متوالی اعدادی که بر 3 بخش پذیر هستند؟ من فکر کردم که متغیر تصادفی زمان تا رویداد از توزیع هندسی پیروی می کند. در حالت اول، احتمال رویداد $p_1=1/36$ خواهد بود، بنابراین زمان انتظار $E(X_1)=\frac{1-p_1}{p_1}=35$، به اضافه 2 (برای موارد متوالی) خواهد بود. وقوع 5) = 37. بر این اساس احتمال رویداد دوم $p_2=\frac{2^3}{6^3}$ خواهد بود و زمان انتظار برای رویداد دوم خواهد بود. $E(X_2)=\frac{1-p_2}{p_2}=26$، به اضافه 3 = 29. از آنجایی که از اعتبار ملاحظات بالا مطمئن نبودم، تصمیم گرفتم برخی شبیه سازی های مونت کارلو را امتحان کنم (کد می تواند در اینجا یافت می شود: http://ideone.com/TbLdDe). با توجه به نتایج، واقعه دوم در ابتدا رخ خواهد داد. اما مقادیر مورد انتظار بزرگتر از مقادیر محاسبه شده قبلی است (بر این اساس حدود 42 و 39) روش صحیح محاسبه زمان انتظار چیست؟ | زمان انتظار برای وقوع پی در پی یک نتیجه، هنگام انداختن تاس |
80953 | من مدتی است که در کمین اینجا هستم و اکنون یک سوال دارم که امیدوارم پاسخ داده شود! من در تعجب هستم که چگونه می توان الگوریتم های نزدیکترین همسایه را برای مقابله با NA به بهترین نحو بدست آورد. من با یک مجموعه داده سروکار دارم که در آن دوست دارم چیزی مانند (10,10,NA,NA) همچنان نزدیکترین همسایه با (10,10,10,5) یا مشابه باشد. من با متغیرهای سال به سال عقب مانده سر و کار دارم، بنابراین برخی از ردیف ها تنها دارای دو مقدار غیر NA هستند، اما همچنان امیدواریم که از آنها در پیش بینی ها استفاده کنیم بدون اینکه فقط همه ردیف ها را فقط روی دو متغیر قرار دهیم. متشکرم! من در حال حاضر از KKNN در R برای انجام این کار استفاده می کنم، اما اگر کسی بتواند من را به سمت سایر عملکردهای عالی R NN راهنمایی کند، سپاسگزار خواهم بود! | استفاده از تابع رگرسیون kknn با NA |
77112 | من در مدل سازی سلسله مراتبی و به طور کلی آمار مبتدی هستم و این مرا گیج می کند. **سوال:** اگر هیستوگرام توزیع خلفی را از زنجیره MCMC ترسیم کنم، آیا قبلی را نیز به عنوان هیستوگرام ترسیم می کنم یا فقط توزیع را در نمودار خلفی _ چسبانم_ کنم (و مطمئن شوم که یکسان است. مقیاس)؟ **زمینه:** من از WinBUGS/OpenBUGS برای تخمین پارامتر یک مدل کاهش حافظه استفاده می کنم. این اولین تلاش من در مدل های سلسله مراتبی و اولین تلاش جدی من در استفاده از آمار است. هر زمان که بخواهم قبل از یکی از پارامترهای خود را رسم کنم، معمولاً از یک تابع در R برای دریافت داده استفاده می کنم. `dnorm(0:10,mean=5,sd=1)` (اگر توزیع قبلی نرمال باشد). سپس از یک هیستوگرام یا تابعی مانند 'densityplot()' برای ایجاد نمودار از داده ها استفاده می کنم. چیزی که من اساساً تعجب می کنم این است: خروجی «dnorm(0:10، mean=5، sd=1)» ده مقدار است. آیا این مقادیر چگالی هستند؟ یا اینها احتمالات هستند؟ از کدام یک استفاده کنم؟ | چگونه می توانم به درستی نمودار قبلی/پسینی را از زنجیره های MCMC در مدل های سلسله مراتبی بیزی تولید کنم؟ |
86358 | من می خواهم ویژگی هایی را برای رگرسیون بردار پشتیبانی برای پیش بینی انتخاب کنم. من می خواهم یک مقدار را در نقطه t با مقادیر t-1،...t-x به عنوان ویژگی پیش بینی کنم. اکنون میخواهم مهمترین ویژگیهایی را انتخاب کنم که منجر به یک پیشبینی خوب میشود. من سعی کردم اطلاعات متقابل (MI) بین مقدار و ویژگی های داده های آموزشی خود را محاسبه کنم. به عنوان مثال من MI(t-1,t) = 1.04، MI(t-2،t) = 0.9 و غیره دارم. مشکل من اکنون این است که فقط MI بین دو متغیر را محاسبه می کنم و در نظر نمی گیرم که ممکن است قبلاً اطلاعاتی داشته باشم.: به عنوان مثال. من قبلاً t-1 را به عنوان ویژگی اضافه کردم (زیرا دارای بالاترین MI است) و می خواهم بدانم که آیا ویژگی t-2 می تواند اطلاعات بیشتری به من بدهد که پیش بینی من را بهبود بخشد. آیا ایده ای برای انجام این کار دارید؟ | انتخاب ویژگی برای رگرسیون بردار پشتیبان با سری های زمانی به عنوان ویژگی |
77117 | من می خواهم تابع درستنمایی مربوط به مدل t دانشجویی را به عنوان مخلوطی از توزیع استخراج کنم، اما یک نکته وجود دارد که برای من کاملاً روشن نیست. معمولاً نوشته میشود که $X=\mu+\frac{1}{\sqrt{\frac{U}{\nu}}}Y$ یک متغیر توزیعشده دانشجویی است اگر U به صورت $\chi^{2 توزیع شود. }$ با درجه آزادی $\nu$. اما برای من خیلی روشن نیست که برای مثال $X$ و $Y$ دارای بعد $T \times N$ هستند، آیا $U$ برای هر متغیر متداول است یا متفاوت است، یعنی بعد $T \times 1$ یا $T \ برابر N$. آیا کسی می تواند این موضوع را روشن کند؟ | توزیع t دانشجویی چند متغیره به عنوان مخلوطی از توزیع |
79706 | اگر من دو عدد حقیقی مثبت داشته باشم که می توانند هر مقداری بین 0 و یک عدد حقیقی متناهی بگیرند، چگونه می توانم تفاوت بین این دو عدد را در بازه [0,1] نرمال کنم که 0 نشان دهنده عدم شباهت و 1 نشان دهنده این است که این دو عدد یکسان هستند؟ پیشاپیش از شما متشکرم. | عادی سازی تفاوت بین دو مقدار واقعی تا بازه [0،1] |
77114 | برای پایان نامه خود فرکانس های مختلف رد را بر اساس مقادیر p با استفاده از آمارهای مختلف بر اساس طرح راه انداز کارآمد Wild Restricted Efficient Davidson & Mackinnon (2010) با شبیه سازی محاسبه کردم که در Matlab تکرار کردم. تصاویر زیر به ترتیب اندازه و قدرت آماره را در قدرت های مختلف ابزار نشان می دهد. سطح اسمی 0.05 است. سوال این است که ضریب SPA برای استحکام ابزارها کمتر از 3 است. این چه نوع تأثیری بر قدرت دارد (تصویر 2)؟ و الگوریتم محاسبه اندازه تنظیم شده چیست؟   | اندازه تنظیم شده در شبیه سازی بوت استرپ مونت کارلو |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.