_id stringlengths 1 6 | text stringlengths 0 7.5k | title stringlengths 0 167 |
|---|---|---|
30602 | در حال حاضر در حال مطالعه برای امتحان طراحی تجربی هستم. احساس میکنم چیزی کاملاً اساسی را از دست دادهام... برای نشان دادن سردرگمی خود در https://gist.github.com/2942913 یک مثال حداقلی را پیوست کردهام. از ما خواسته شد تا سیستمهای کدگذاری ساختگی و درمان را با هم مقایسه کنیم. اشاره شد که با سیستم تصفیه، مقادیر موجود در ماتریس کنتراست [1] با مشاهدات در ماتریس داده ها (یا ماتریس طراحی) مطابقت ندارند. دستور cbind() من در مثال این را نشان می دهد. [2] با استفاده از سیستم کدگذاری مجموع، تضادها برای یک مقدار فاکتور منفی و برای دیگری مثبت هستند (و همچنین هنگام کنار گذاشتن تعاملات تغییر نمی کنند). این قرار است منجر به پارامترهای قابل تفسیر شود (بر خلاف سیستم کدگذاری درمان؟). سوال من این است که چگونه باید این گزاره آخر را تفسیر کنم، یعنی چرا داشتن یک تطابق بین ماتریس کنتراست و داده با کدگذاری مجموع منجر به پارامترهای قابل تفسیر می شود؟ یا: آیا چیزی وجود دارد که فوراً باید آن را اصلاح کنم؟ * * * [1] $( X' X)^{-1} X' )$ [2] ویرایش (به جای پانوشت اصلی): یک اشکال در کدی که ارائه کردم به دلیل موارد زیر وجود داشت. من از «cbind()» با یک فاکتور استفاده کردم (در اصل فقط برای اهداف ارائه؛ برای نشان دادن بردارها در کنار هم). این منجر به تبدیل ضمنی کدهای عددی در فاکتور به اعداد شد. | در مورد تضاد جمع و درمان سردرگم است |
8788 | وقتی تست کوموگروف اسمیرنوف را اجرا می کنم مشکل دارم. من باید نمونه هایی از توزیع قیمت های روزانه تخمین زده شده با density(). اکنون می خواهم این دو توزیع را با یکدیگر مقایسه کنم. data.1: Date price 01.01.2010 1.2 02.01.2010 1.5 etc. data.2: date price 01.01.2009 0.1 02.01.2009 0.05 و غیره. برای چگالی احتمال، چگالی.1$ را محاسبه کردم. قیمت) چگالی.2 <- density(data.2$price) حالا میخواستم KS-test را اجرا کنم: ks <- ks.test(density.1$x, density.2$x) و به این نتیجه رسیدم که p=1، از این رو دو توزیع یکسان هستند. با این حال، در حال حاضر از چشم قابل مشاهده است که آنها کاملاً با یکدیگر تفاوت دارند. اشتباه من کجاست؟ ممنون دنی | تست خوب بودن تناسب با استفاده از Kolmogorov-Smirnov |
68049 | از آنجایی که دادههای من به طور معمول توزیع نمیشوند، من از برآوردگر قوی حداکثر احتمال (MLR) در Mplus استفاده کردم. اکنون میدانم که این تخمینگر یک آماره مجذور کای قوی و خطاهای استاندارد قوی تولید میکند، اما آیا شاخصهای برازش قوی (CFI، TLI و RMSEA) را نیز تولید میکند؟ یا آیا Mplus به طور خودکار از اصلاحات برای تنظیم غیرعادی بودن هنگام محاسبه این شاخص ها استفاده می کند؟ | SEM: استحکام شاخصهای برازش (CFI، TLI و RMSEA) زمانی که دادهها غیرعادی هستند. |
58557 | در بسته BFAST در R، یکی از پارامترهایی که ارائه می دهد، انتخاب پارامتر مدل فصلی (هارمونیک، ساختگی، یا هیچ) است. من می فهمم که هیچ کس چه کاری انجام نمی دهد. با این حال، من واقعاً تفاوت بین دو مورد دیگر را درک نکردم و کتابچه راهنمای مرجع که گفته شده است مقالات سنجش از راه دور را بخوانید. سپس به اطراف اینترنت نگاه کردم و اولین مقاله در مورد سنجش از دور را پیدا کردم، اما نتوانستم آن را به اندازه کافی واضح بفهمم که پارامتر ساختگی چه می کند. سپس سعی کردم به دنبال دومین کاغذ سنجش از دور بگردم که در مورد پارامتر فصلی هارمونیک صحبت می کرد، اما نتوانستم کاغذ را پیدا کنم. بنابراین سوال من این است که تفاوت بین مدل فصلی هارمونیک و ساختگی در بسته BFAST چیست؟ هر کمکی قابل تقدیر است، با تشکر. | مدل فصلی هارمونیک یا ساختگی |
95079 | من باید برخی از داده های غیر عددی یک پرسشنامه را در نمودار پراکنده در R نشان دهم. منظور من از داده های غیر عددی این است که، من دو سوال دارم که پاسخ آنها متنی است. به عنوان مثال Q1 دارای پاسخ های زیر است (A، B، C) و Q2 دارای پاسخ های زیر است (X، Y، Z) من باید این دو سوال (Q1 و Q2) را در یک نمودار پراکنده به منظور نشان دادن بصری که چه افرادی که به Q1 با الف پاسخ دادند به Q2 با X و غیره پاسخ دادند. بهتر است اینگونه نشان داده شود:  متشکرم. | نمودار پراکندگی در R با داده های غیر عددی |
8784 | این یک سوال بعدی از سوالی است که چند روز پیش پرسیدم. من احساس میکنم این موضوع جنبه متفاوتی دارد، بنابراین یک سؤال جدید فهرست شده است. سوال این است: آیا می توانم بزرگی ضرایب را در بین مدل ها با متغیرهای وابسته مختلف مقایسه کنم؟ به عنوان مثال، در یک نمونه منفرد بگویید من می خواهم بدانم آیا اقتصاد پیش بینی کننده قوی تری برای آرا در مجلس نمایندگان است یا برای رئیس جمهور. در این حالت، دو متغیر وابسته من رأی در مجلس (با کد 1 برای دموکرات و 0 برای جمهوری خواه) و رأی به رئیس جمهور (1 برای دموکرات و 0 برای جمهوری خواه) و متغیر مستقل من اقتصاد است. من انتظار یک نتیجه آماری قابل توجه در هر دو دفتر را دارم، اما چگونه می توانم ارزیابی کنم که آیا در یکی بیشتر از دیگری تأثیر بزرگتر دارد؟ شاید این مثال جالبی نباشد، اما کنجکاو هستم که آیا راهی برای مقایسه وجود دارد یا خیر. من می دانم که نمی توان فقط به اندازه ضریب نگاه کرد. بنابراین، آیا مقایسه ضرایب در مدلهایی با متغیرهای وابسته مختلف امکانپذیر است؟ و اگر چنین است، چگونه می توان آن را انجام داد؟ اگر هر کدام از اینها منطقی نیست، به من اطلاع دهید. از همه توصیه ها و نظرات قدردانی می شود. | مقایسه ضرایب لجستیک در مدل های با متغیرهای وابسته مختلف؟ |
1261 | فرض کنید من جدولی از شمارش دارم که به این شکل است A B C موفقیت 1261 230 3514 شکست 381 161 4012 من این فرضیه را دارم که مقداری احتمال $p$ وجود دارد به طوری که $P(Success_A) = p^i$، $P(موفقیت_B) = p^j$ و $P(Success_C) = p^k$. آیا راهی برای تخمین زدن برای $p$، $i$، $j$ و $k$ وجود دارد؟ ایده من این است که به طور مکرر مقادیر را برای $p$ بین 0 و 1، و مقادیر $i$، $j$ و $k$ بین 1 و 5 امتحان کنم. $\chi^2$ یا $G^2$. این بهترین تناسب را ایجاد می کند، اما هیچ فاصله اطمینانی برای هیچ یک از مقادیر ایجاد نمی کند. همچنین از نظر محاسباتی کارآمد نیست. به عنوان یک سوال جانبی، اگر بخواهم خوب بودن تناسب مجموعه ای از مقادیر خاص را برای $i$، $j$ و $k$ (مخصوصاً 1، 2، و 3) آزمایش کنم، پس از محاسبه $\chi ^2$ یا $G^2$، میخواهم اهمیت توزیع $\chi^2$ را با 1 درجه آزادی محاسبه کنم، درست است؟ این یک جدول اقتضایی معمولی نیست زیرا رابطه هر ستون با ستون های دیگر به یک مقدار ثابت است. با توجه به $p$، $i$، $j$ و $k$، با پر کردن یک مقدار واحد در یک سلول، مقادیر سایر سلولها باید چقدر باشد. | برازش یک رابطه ثابت و نمایی بین دسته ها با داده های طبقه بندی شده |
95072 | اجازه دهید $X_1, X_2, ..., X_n$ یک نمونه تصادفی از توزیع یکنواخت گسسته در $(1,2,\ldots,N)$ باشد که $N$ یک عدد صحیح مثبت ناشناخته است. MLE $N$ را پیدا کنید و همچنین توزیع MLE را پیدا کنید. من توانستم MLE را پیدا کنم. کاملاً واضح است، اگر اشتباه نکنم، آن $X_{(n)}$ است، آمار سفارش $n^{th}$. کسی میتونه در مورد قسمت دوم کمک کنه؟ | توزیع MLE $N$ بر اساس یک نمونه تصادفی با اندازه n از فاصله یکنواخت گسسته.(1،2،...،$N$) |
93244 | من یک تازه کار در آمار هستم و به کمک نیاز دارم. آیا کسی می تواند به من بگوید، به احمقانه ترین روش، چگونه آزمایش هیفوتزیس را با توزیع هندسی برای 2 نمونه انجام دهم؟ لطفا در نظر بگیرید که تا یک ماه پیش، آمار برای من متوسط، حالت و std dev بود... با تشکر! | آزمون فرضیه با توزیع هندسی برای آدمک ها |
45394 | ریاضیات لازم برای درک مدل های مارکوف پنهان چیست؟ جبر ماتریسی؟ جبر خطی؟ حساب دیفرانسیل و انتگرال؟ آمار بیزی؟ | ریاضیات برای درک مدل های پنهان مارکوف مورد نیاز است؟ |
98999 | من نمونههایی از واحدهای رصدی دارم که تاریخ شروع و پایان مشخصی دارند (الزاماً همه از نظر مدت زمان برابر نیستند). من در تلاشم تا تعیین کنم که آیا یک رویداد میانی بیشترین ارتباط را با زمانی دارد که از زمان وقوع رویداد آغاز شده است یا خیر. یا از آن بیشترین ارتباط را با زمان باقی مانده تا رویداد خاتمه یافت. به عنوان مثال: مشتریان یک ماشین کرایه ای را رزرو می کنند تا در نقطه ای از پیش تعیین شده در آینده از آن استفاده شود. مدتی بین رزرو و تحویل، مشتری ممکن است یک ارتقاء خریداری کند. من نمی دانم چگونه می توانم تشخیص دهم که آیا رویداد ارتقا با زمان از زمان رزرو مرتبط است یا اینکه بر اساس نزدیکی زمانی به پیکاپ راه اندازی شده است. تکنیکهای تحلیل بقا و مدلسازی زمان تا رویداد نزدیک اما ناقص به نظر میرسند. من نتوانستم هیچ ادبیات، تکنیک، یا کار قبلی در مورد این مشکل خاص پیدا کنم. با این حال ممکن است به سادگی از اصطلاحات اشتباهی استفاده کنم. هر گونه اشاره خواهد شد قدردانی می شود. -Amw 5G | روش تعیین همبستگی با زمان از زمان یا زمان تا |
29476 | من یک مجموعه داده با ساختار زیر دارم: انتخاب بانک بانک_x مشتری مشتری_x 0 UBS . 1 . 1 CS. 1 . 1 KZ 1 . 0 VA 1 . -------------------------------------- 0 UBS . 2 . 0 CS. 2 . 1 KZ 2 . 0 VA 2 . * * * در جایی که انتخاب این است که آیا مشتری فردا در یک بانک معین حساب باز کند (0 = خیر، 1 = بله). در داده ها تعدادی متغیر خاص بانک و مشتری وجود دارد. اولین فکر من این بود که از یک مدل لاجیت سلسله مراتبی با انتخاب های بانکی تو در تو در میان مشتریان استفاده کنم تا پارامترهایی را برای هر مشتری بدست آوریم. با این حال، من ناگهان در مورد اینکه آیا این انتخاب درستی است شک دارم، و من می خواهم قبل از تصمیم گیری در مورد یک رویکرد، نظری را از شما بشنوم. | چگونه این داده ها را مدل کنیم؟ |
94649 | با توجه به تخصیص برخی منابع محدود (مثلاً 4 در این مورد) نوعی ماتریس انتقالی برای افزایش احتمال موفقیت ایجاد کردم. در حال حاضر تخصیص را به صورت پلکانی بررسی می کنم. یعنی به ازای هر 1+ افزایش، فقط بررسی میکنم که کدام گزینه حداکثر میشود. به طور کلی، هرچه بیشتر به یک گزینه اضافه کنم، افزایش کمتر می شود (در نتیجه پنجره برای انتخاب های دیگر باز می شود). با این حال، متوجه شدم که گاهی اوقات گیر می کند: اگر فقط برای مدتی مایل به افزایش 0 باشم، می توانم افزایش شگفت انگیزی داشته باشم. چگونه می توانم نه تنها با نگاهی گام به گام، بلکه با در نظر گرفتن آن به عنوان یک کل، افزایش را به حداکثر برسانم؟ inc1 inc2 inc3 inc4 option1 0.0000 0.0000 0.3021 0.1541 option2 0.1000 0.0100 0.0010 0.0001 option3 0.2 0.0000 0.0000 0.0000 0.0000 0.0000 گزینه like> 0.0 را توجه داشته باشید -2 گزینه go> 0.0 option2 -> option2 = 0.311 در حالی که راه حل بهینه در اینجا این است: option3 -> option1 -> option1 -> option1 = 0.5021 همچنین توجه داشته باشید که این یک مورد ساده است و گزینه های بیشتری و پرداخت های متفاوتی وجود دارد. بنابراین، پاسخ هایی که فقط با توجه به این مشکل خاص، و تعمیم ندارند، بی فایده است. **رویکرد شما در قبال این مشکل چه خواهد بود؟** | بهینه سازی از طریق یک ماتریس انتقال، به روشی غیر گام به گام |
34988 | فرض کنید من مجموعهای از شخصیتها را دارم که هم صحنههای طبیعی و هم تصاویر مصنوعی دارند و یک مجموعه دیگر فقط با تصاویر مصنوعی. من میخواهم طبقهبندیکنندهای بسازم که فقط بر روی این دادهها آموزش داده شود و روی تصاویر صحنه طبیعی شخصیتهای مجموعه دوم آزمایش شود. آیا کسی روشی را می شناسد که در چنین مواردی دقت تست خوبی را ارائه دهد؟ مثال: ارقام مصنوعی:  ارقام صحنه طبیعی:  مصنوعی شخصیت های تایلندی:  صحنه طبیعی شخصیت های تایلندی: (در طول آموزش حضور ندارند) | انتقال به دامنه جدید |
66478 | من یک سری متغیرهای طبقه بندی دارم که تا به حال در حال انجام تجزیه و تحلیل همبستگی با آنها بوده ام. اکنون لامپ روشن شده است و اگر بخواهم ارتباط بین متغیرهای جمع آوری شده را بررسی کنم، متوجه می شوم که از تحلیل کاملاً اشتباهی استفاده کرده ام. فکر می کنم باید همه چیزهایی را که تا این لحظه نوشته ام حذف کنم و دوباره شروع کنم؟ اگر بخواهم همه چیز را کنار بگذارم، بهترین اقدام برای بررسی ارتباط بین متغیرهایی مانند اقدامات کنترل آفات، انواع آفات تجربه شده، ترجیحات کنترل آفات و دیدگاه های خدمات کنترل آفات خصوصی و مقامات دولتی در کنار متغیرهای جمعیت شناختی استاندارد چه خواهد بود. از قومیت، جنسیت، منطقه، درآمد و تصدی مسکن؟ من سایت را جستوجو کردهام، اما بهعنوان یک تازهکار در آمار و داشتن یک مربی که این موضوع را علامتگذاری نکرده است، متوجه شدهام که گیج میشوم. | متغیرهای همبستگی و طبقه بندی |
9825 | من داده هایی دارم که همبستگی بالایی دارند. اگر یک رگرسیون خطی اجرا کنم، یک خط رگرسیون با شیب نزدیک به یک (= 0.93) دریافت می کنم. کاری که من می خواهم انجام دهم این است که آزمایش کنم آیا این شیب به طور قابل توجهی با 1.0 متفاوت است یا خیر. انتظار من این است که نباشد. به عبارت دیگر، من می خواهم فرضیه صفر رگرسیون خطی را از شیب صفر به شیب یک تغییر دهم. آیا این یک رویکرد معقول است؟ همچنین بسیار ممنون می شوم که کد R را در پاسخ خود بگنجانید تا بتوانم این روش را پیاده سازی کنم (یا روش بهتری که شما پیشنهاد می کنید!). با تشکر | تغییر فرضیه صفر در رگرسیون خطی |
40815 | من از تفاسیر مکرر و بیزی از آمار آگاهم. من بیزی را ترجیح میدهم زیرا فکر میکنم به طرز فکر مردم نزدیکتر است، و چون ما در عمل اغلب نمیتوانیم یک آزمایش را میلیونها بار برای تخمین احتمال تکرار کنیم. اما آیا جز این دو تفسیر دیگری نیز وجود دارد؟ | آیا غیر از بیزی و مکرر تعابیر دیگری وجود دارد؟ |
8439 | من می خواهم یک پرسشنامه رایج مورد استفاده برای مدیریت مبتنی بر اینترنت را تأیید کنم. از چه تست های آماری باید استفاده کنم؟ | اعتبارسنجی یک پرسشنامه کاغذی در قالب مبتنی بر وب |
9829 | ### نمونه * n = 60 * 10 مرد و 10 زن از هر سه موقعیت شغلی. * حقوق سالانه برای هر شرکتکننده ثبت میشود ### سوال * چگونه میتوانم بررسی کنم که آیا از نظر آماری تأثیر معنیداری ($\alpha = 0.01$) موقعیت و جنسیت بر حقوق وجود دارد؟ | آزمایش تأثیر موقعیت و جنسیت بر حقوق |
89895 | **زمینه** من جمعیتی دارم که در آن متغیر وابسته من باینری است با توزیع بسیار اریب: رکوردهای بسیار کمی 1 (انجام دهندگان)، اکثر رکوردها 0 (غیر انجام دهندگان) هستند. من از رگرسیون لجستیک برای پیش بینی مقدار این متغیر استفاده می کنم. برای مقابله با این وضعیت نادر، من نمونههای متعددی از انجامدهندهها ساختم که با تعداد انجامدهندهها مطابقت دارند (به عنوان مثال، نمونه 1 دارای 100 انجامدهنده و 100 نفر غیر انجامدهنده است، نمونه 2 دارای 100 انجامدهنده است و یک مجموعه 100 نفری غیر انجام دهنده و غیره). من یک رگرسیون لجستیک را برای هر یک از این نمونه ها قرار دادم و مقادیر _t_ را محاسبه کردم تا میزان تفاوت ضرایب متغیر مستقل را با 0 مشخص کنم. **سوال** آیا می توانم آمار _t_ -values را محاسبه کنم؟ آیا می توانم میانگین، خطای استاندارد و انحراف استاندارد این مقادیر _t_ را محاسبه کنم؟ فکر نمیکنم بتوانم آن را برای مقادیر _p_ انجام دهم و میدانم که ضرایب همبستگی باید ابتدا به مقادیر _z_ تبدیل شوند، اما نمیدانم چه چیزی برای مقادیر _t_ قابل قبول است. | آیا محاسبه آمار بر روی مقادیر t خوب است؟ |
89899 | فرض کنید $X \backsim iid (\mu, \sigma^2)$. ما به $E (|X|)$ و ${\rm Var}(|X|)$ علاقه مندیم. آیا می توانید راهی برای ادامه پیشنهاد دهید؟ فکر کردم $|X|$ را به صورت : $|X| بازنویسی کنم = Xd - X(1-d)$، که $d$ یک متغیر باینری است که مقدار 1 را می گیرد اگر $X \geq 0$ باشد. البته اگر $X$ نرمال باشد، ما در اینجا پاسخ داریم، اما من به دنبال یک مورد کلی تر بودم. | واریانس قدر مطلق یک rv |
50562 | با آمار و تلاش برای حل این تمرین که به صورت آنلاین پیدا کردم کاملاً جدید است. من نمی خواهم آن را برای من حل کنید، من فقط به یک نقطه شروع نیاز دارم تا خودم آن را حل کنم. منظور آنها از طرح نشان دادن 20 نقطه در یک نمودار است؟ اما در مورد ترسیم میانگین چه میشود... به نظر میرسد که پیچیدهتر است... از هر اشارهای متشکرم <\- 5,4,4,2,5,6,3,2,2,1, 5،5،5،4،6،3،2،5،6،4 با استفاده از یک قالب شش وجهی منصفانه، آن را 20 بار پرتاب کنید و تعداد نقاطی را که هر بار ظاهر می شوند، ثبت کنید. توزیع داده ها را ترسیم کنید. توزیع میانگین نمونه را ترسیم کنید. یک فاصله اطمینان 90% برای میانگین جمعیت ایجاد کنید. برای این بازه، از انحراف معیاری که در این نمونه محاسبه می کنید استفاده کنید | توزیع طرح |
111708 | من می خواهم آزمایش کنم که آیا بین 3 سری زمانی تفاوت معنی داری وجود دارد یا خیر. ابتدا به این فکر کردم که یک تست مربع کای ساده و سپس شبیه سازی مونت کارلو را اجرا کنم. مقایسه این دو روش: مقادیر P کاملاً متفاوت هستند. کسی میدونه چه مشکلی میتونه داشته باشه؟ به عنوان مثال، با در نظر گرفتن دوره اول: #1940 OBS<-c(2,3,137,7) EXP<-c(5,3,131,10) chisq.test(OBS, p = EXP/sum(EXP)) که به من می دهد : آزمون کای دو برای داده های احتمالات داده شده: OBS4050 X-squared = 2.9748، df = 3، p-value = 0.3955 پیام اخطار: در chisq.test(OBS, p = EXP/sum(EXP)) : تقریب Chi-squared ممکن است نادرست باشد سپس با شبیه سازی مونت کارلو: chisq.test(OBS, simulate.p .value=T, B=9999) که به من می دهد: آزمون کای دو برای احتمالات داده شده با داده های p-value شبیه سازی شده (بر اساس 9999 تکرار): OBS X-squared = 356.5302، df = NA، p-value = 1e-04 من همین کار را برای 2 دوره دیگر انجام دادم. کسی میدونه این تست درسته؟ | تفاوت معنی دار بین سری های زمانی - شبیه سازی مونت کارلو |
95078 | من در حال نوشتن یک گزارش تحقیقاتی برای پروژه نهایی دانشگاه هستم. برای تحلیل خود از رگرسیون لجستیک استفاده کرده ام. سوالات تحقیقی را ارائه کرده ام که به آنها پاسخ داده شده است. بنابراین، گنجاندن یک فرضیه چقدر اهمیت دارد؟ آیا حذف اینها اشکالی ندارد؟ با تشکر فراوان | گنجاندن یک فرضیه برای یک گزارش چقدر مهم است؟ |
26413 | من می دانم که شرکت های شرط بندی شانس خود را به منظور به حداکثر رساندن سود تنظیم می کنند و احتمال حجم پول را در هر نتیجه پیش بینی می کنند. **شرکتکنندهها چگونه شانس افتتاحیه خود را انتخاب میکنند؟** | چگونه بوکسازها شانس افتتاحیه خود را انتخاب میکنند؟ |
114662 | چگونه می توانم یک ICC را برای ارزیابی استقلال فرض مشاهده با استفاده از SPSS برای ANOVA محاسبه کنم. دادههای دو DV از شرکتکنندگان یک بار طی 28 هفته در 28 خوشه جمعآوری شد (بنابراین این یک طرح اندازهگیری مکرر نیست؛ N = 164). دادهها با استفاده از پرسشنامه (کاغذی و مدادی) جمعآوری شد، اما شرکتکنندگان بهصورت گروهی بودند - بنابراین نیاز به بررسی استقلال مشاهدات بود. هر دو DV در مقیاس فاصله / نسبت اندازه گیری شدند. باز هم، من مطمئن نیستم که چگونه این مورد را با استفاده از SPSS محاسبه کنم (اگرچه قبلاً از ICC برای قابلیت اطمینان بین ارزیاب و قابلیت اطمینان تست-آزمون مجدد استفاده کرده ام). با تشکر | ICC برای ارزیابی استقلال مشاهدات در یک کارآزمایی تصادفی خوشه ای |
50560 | داشتم کتاب عناصر یادگیری آماری - ویرایش دوم فریدمن را می خواندم. صفحه 365 در مورد طرح وابستگی جزئی صحبت می کند. من کاملاً نمیدانم که او واقعاً چگونه وابستگی جزئی f(X) را به Xs محاسبه میکند. بگو، من یک مدل بر روی 4 پیش بینی ساختم. من از خود مدل به عنوان f(Xs,Xc) استفاده می کنم. من می خواهم وابستگی جزئی اولین پیش بینی کننده V1 خود را بدانم. اگر داده ها به این شکل به نظر می رسند: V1 V2 V3 V4 predicted_p 1 1 0 1 0.2 1 2 0 0 0.24 2 1 1 1 0.6 2 2 0 1 0.4 آیا وابستگی جزئی برای V1 دو مقدار دارد، یکی برای V1=1، دیگری برای V1=2؟ برای مورد V1=1، PD=(0.2+0.24)/2=0.22; برای مورد V1=2، PD=(0.6+0.4)/2=0.5 درست متوجه شدم؟ متشکرم. علاوه بر این، آیا میانگین وابستگی جزئی برای هر پیش بینی برابر است؟ | چگونه می توانم وابستگی جزئی را وقتی 4 پیش بینی دارم محاسبه کنم؟ |
8435 | چه زمانی از رگرسیون لجستیک چند متغیره در مقابل مدلهای اثرات مختلط خطی تعمیم یافته استفاده کنیم؟ تفاوت این دو چیست؟ **ویرایش (در پاسخ به نظرات):** امیدوار بودم چند متغیره را بیش از یک متغیر کمکی ببینم. مشکل من تجزیه و تحلیل برای یک مطالعه کوهورت آینده نگر طولی است که در آن مصرف ویتامین K را در رابطه با بروز کلسیفیکاسیون اندازه گیری می کنم. مصرف ویتامین K در درجه اول توسط پرسشنامه های غذایی ارزیابی می شود، اما همچنین سطح ویتامین K پلاسما را بررسی می کنم. متغیر مواجهه و متغیر نتیجه ترتیبی/طبقه ای هستند. از سوی دیگر، نتیجه نیز بیش از دو دسته دارد. من از یک مدل ترکیبی چند متغیره استفاده خواهم کرد. با توجه به اینکه متغیرهای کمکی خود را می شناسم، استفاده از مدل رگرسیون مختلط کافی است؟ متشکرم . | جلوه های ترکیبی خطی تعمیم یافته |
22569 | به طور کلی، وقتی می گوید کسری X از واریانس در تحلیلی مانند PCA با اولین جزء اصلی توضیح داده می شود، منظور چیست؟ آیا کسی می تواند این را به طور شهودی توضیح دهد، اما همچنین یک تعریف دقیق ریاضی از معنای واریانس توضیح داده شده از نظر تجزیه و تحلیل PCA ارائه دهد؟ برای رگرسیون خطی ساده، r-squared خط بهترین تناسب همیشه به عنوان نسبت واریانس توضیح داده شده توصیف می شود، اما من مطمئن نیستم که از آن چه باید بکنم. آیا نسبت واریانس در اینجا فقط امتداد انحراف نقاط از بهترین خط مناسب است؟ با تشکر | PCA و نسبت واریانس توضیح داده شد |
8783 | من تعجب می کنم که چگونه می توان واگرایی KL را بر روی دو توزیع احتمال محاسبه کرد. به عنوان مثال، اگر t1 = 0.4، 0.2، 0.3، 0.05، 0.05 t2 = 0.23، 0، 0.14، 0.17 داشته باشیم، فرمول برای من کمی پیچیده است:( | محاسبه واگرایی KL |
40819 | من با یک دوراهی داده روبرو هستم. من میخواهم یک تصویر واقعی دادهای برای یک قانون تشخیص بیرونی که دارم روی آن کار میکنم داشته باشم. قانون تشخیص پرت مجموعه دادههای متغیرهای پیوسته (نه لزوماً چند متغیره با توزیع بیضوی) با $\verb+ncol+\leq \verb+nrow+$ و $\verb+ncol+\leq 15$ را هدف قرار میدهد. اما نکته اینجاست: نقاط پرت واقعی باید شناخته شوند (همانطور که من سعی می کنم عملکرد این قانون را با قوانین موجود مقایسه کنم). اگرچه اولیه من استفاده از یک مجموعه داده طبقه بندی بود (استفاده از برخی مشاهدات از کلاس A به عنوان داده و برخی از مشاهدات $\bar{A}$ به عنوان نقاط پرت)....اما چه تضمینی داریم که وجود نداشته باشد. نقاط پرت در میان داده هایی که به عنوان متعلق به کلاس A برچسب گذاری شده اند (بدون برخی تضمین ها مبنی بر اینکه هیچ نقطه پرت در میان داده هایی که به عنوان اعضای کلاس A برچسب گذاری شده اند وجود ندارد، بقیه مراحل مقایسه مشکوک می شوند). وقتی به مقالات موجود در ادبیات استحکام نگاه میکردم، هیچ نمونهای از مقایسه دادههای واقعی پیدا نکردم... بنابراین هر ایده تازهای استقبال میشود (هم از نظر ایدههای روششناختی کلی و هم از نظر نمونههای واقعی مجموعه دادهها، در جایی که اخطار فوق میتواند نادیده گرفته شود. به طور منطقی مستثنی شوند). | مجموعه داده ها و سؤالات پرت |
95070 | من تعجب می کنم که خروجی «$var.pred» که توسط «ar.ols()» در R بازگردانده شده است چگونه تعریف می شود؟ این واریانس یک مقدار پیش بینی نیست، اینطور است؟ حدس میزنم نه، زیرا واریانسهای پیشبینیهای $n$-step ahead ممکن است برای $n$های مختلف متفاوت باشد، درست است؟ آیا با ماتریس کوواریانس خطای پیش بینی برابری می کند؟ آیا با ماتریس کوواریانس باقیمانده برابر است؟ از `?ar.ols()` var.pred: واریانس پیش بینی: تخمین بخشی از واریانس سری زمانی که توسط مدل خودرگرسیون توضیح داده نمی شود. در زیر یک مثال آورده شده است (`x` یک سری زمانی دو متغیره است): > output = ar.ols(x، aic = F، order.max = 2، demean = F، intercept = T) > فراخوانی خروجی: ar.ols( x = x، aic = F، order.max = 2، demean = F، intercept = T) $ar , , 1 TS1 TS2 TS1 0.5592 0.3561 TS2 -0.1555 0.1147، 2 TS1 TS2 TS1 -0.3455 0.5119 TS2 0.2105 0.4648 $x.intercept TS1 TS2 2.195 3.891TS1 TS1 2.195 3.891TS1$1. 1.582 TS2 1.582 18.446t بسیار متشکرم! | واریانس پیش بینی چگونه تعریف می شود؟ |
50561 | من سعی می کنم همبستگی درون کلاسی را برای یک مطالعه ارزیاب با استفاده از R و کتابخانه lme4 و تابع lmer محاسبه کنم. دادهها طراحی زیر را دارند: همان 6 رتبهدهنده (حداقل 4 نفر) به 25 اسبهای زنده رتبهبندی میکنند و همه رتبهدهندهها زیرمجموعهای از 10 اسب را در ویدیو رتبهبندی میکنند. مدل تصادفی دو طرفه اعمال شده: m1 <- lmer(امتیاز ~ -1 + (1|HorseID) + (1|RaterID) + زمان، داده = mydata) ICC توافق مطلق با استفاده از ضرایب تخمینی محاسبه میشود: تابع xVars <- (model) { exvars = lme4::VarCorr(model) vars = c(exvars$HorseID[1,1], exvars$RaterID[1,1], attr(exvars,sc)^2) names(vars) <- c('item var', 'judge var', 'residual var') vars } # تابع کمکی برای ICC (k) تغییرات icck <- تابع (واریانس، k=1) { icc = واریانس[1] / (واریانس[1] + (واریانس[2] + variances[3]) / k) names(icc) = c(paste('ICC', k, sep='')) icc } و ICC به صورت: ICC.m1 <- icck(xVars(m1)) می خواهم اضافه کنم: * فواصل اطمینان برای ICC * آلفای کرونباخ اما من نمی توانم روش هوشمندانه ای برای انجام این کار پیدا کنم؟ کمک بسیار قدردانی خواهد شد!! | محاسبه آلفای کرونباخ و ضریب همبستگی درون طبقاتی از مدل المر |
8433 | من اطلاعاتی در مورد 70000 دانش آموز دارم که در 120 مدرسه تودرتو هستند. من با جلوههای ثابت برای مدارس شروع میکنم، اما در برخی مواقع ممکن است اجازه بدهم رهگیریها و شیبها متفاوت باشند. برخی از پیشبینیکنندههای کلیدی (مثلاً GPA، نمرات آزمون) روابط غیرخطی با برخی از نتایج دارند. من قطعاً میخواهم این پیشبینیکنندهها را با متغیرهای طبقهبندی و شاید هم با متغیرهای پیوسته تعامل داشته باشم. اسپلاینهای مکعبی طبیعی ممکن است رویکرد درستی باشد، اما من هیچ نمونهای با فعل و انفعالات یا دادههای تودرتو ندیدهام، بنابراین میتوانم از برخی اشارهگرها استفاده کنم. این روابط غیرخطی تنها محور تحقیق من نیستند، بنابراین نمیخواهم بر روی آنها تمرکز کنم تا جنبههای دیگر مدل نادیده گرفته شود. من از پیشنهادات بستههای R، نمونههایی از کارهای مرتبط و توصیههای کلی در مورد نحوه نزدیک شدن به این موضوع قدردانی میکنم. با تشکر | تعامل بین پیش بینی کننده های غیر خطی |
61127 | چرا «gbm» مشخص شده با توزیع گاوسی مقادیر منفی می دهد؟ اگر کسی پیشبینیهای منفی (در «R») نمیخواهد، میتوان آن را کنترل یا اصلاح کرد؟ | پیشبینی ارزش منفی با استفاده از گرادیان بوستینگ با توزیع گاوسی در gbm |
111702 | آیا توابع ranef و fixef در lmer ضرایب اثر تصادفی و ثابت را می دهند؟ اگر نه واقعا چه می دهند؟ داده ها چیزی شبیه به (این یک داده جعلی است): شناسه 1 1 1 2 2 2 وزن 34 45 56 78 12 45 شمارش 23 12 13 16 14 22 مدل شبیه «mod <- lmer(وزن ~ شمارش + (1+ شمارش |id)، data=d1)` که در آن «id» یک اثر تصادفی در مدل و «شمارش» است اثر ثابت است من معتقد بودم که عبارت coef(model)$id[count] در R ضرایب تصادفی count را برای هر id به دست می دهد. درست میگم؟ اگر بله، «ranef(mod)» چه چیزی می دهد؟ هر گونه کمک بسیار قدردانی می شود. متاسفم برای سردرگمی. | من با تابع ranef در R اشتباه گرفته ام |
8436 | من اطلاعاتی دارم نسبت $y$ برخی چیزها نسبت به همه چیز است، بنابراین طبق تعریف بین 0 و 1 محدود می شود. نسبت در طول زمان تغییر می کند. علاوه بر واریانس نسبتاً زیاد، یک تغییر پله مانند در اواسط دوره زمانی وجود دارد. مرحله خیلی بزرگ نیست، اما وجود دارد، و نسبت به کل دوره زمانی بسیار سریع اتفاق می افتد. بنابراین من یک منحنی S دارم و میخواهم (و به من گفته شد) رگرسیون لجستیک انجام دهم. اما: (1) این یکنواخت نیست، حتی نزدیک نیست، به دلیل واریانس بالا. (2) از 0 به 1 نمی رود. بلکه از حدود 0.2 به حدود 0.8 می رسد، اگر به میانگین نگاه کنید. بنابراین به نظر می رسد که کار درست این است که چیزی مانند $a\phi(x)+b$ را در نظر بگیریم، جایی که $\phi$ منحنی S لجستیک معمول است، بنابراین در مجموع 4 پارامتر داریم. چیزی که مرا آزار میدهد این است که هرگز نمونهای از رگرسیون لجستیک را ندیدهام که به این شکل استفاده شود (اعتراف میکنم که تعداد زیادی از آن را نمیبینم). این بدان معنا نیست که من مطمئن نیستم که چگونه این را اجرا کنم - من کاملاً مطمئن هستم که می توانم آن را بفهمم، اگرچه از اشاره گرهای خاصی قدردانی می شود - اما می ترسم این فرض که داده ها توسط محدودیت های محدود شده باشد. منحنی S برای همه برآوردهای بعدی مهم است، مانند تناسب خوب، اهمیت گام، فواصل اطمینان، و غیره. بنابراین: 1. آیا ترس من موجه است؟ 2. آیا می توانید به یک مثال مرتبط در ادبیات اشاره کنید؟ نه لزوماً ادبیات آماری، اگر برخی از زیست شناسان (یا هر کسی دیگر) از آن استفاده کنند، خوب است. یا حتی کسی که این احتمال را ذکر می کند. 3. اگر واقعاً مشکلاتی در این رویکرد وجود دارد، چه جایگزین هایی وجود دارد؟ **اپدیت:** خب من اینقدر بی معرفت بودم که حتی نتونستم سوالات رو درست بپرسم. من به دنبال رگرسیون چند جمله ای (معروف به چندجمله ای) بودم. | رگرسیون لجستیک برای کرانهای متفاوت از 0 و 1 |
114660 |  سلام، من سعی می کنم رابطه بین قیمت نفت و تولید ناخالص داخلی را تخمین بزنم. سوال من این است که آیا برای هر برآوردگر اهمیت آماری را آزمایش کنم یا به طور کلی باید معناداری آماری را برای مدل آزمایش کنم. به هر حال، تاخیرها بسته به معیارهای AIC SIC به لطف این کدی که در برخی از فرم ها پیدا کردم، انتخاب شدند. _'محلی maxlag = 4 محلی sbcstar = . local pstar = 0 local qstar = 0 local p = 1 while`p' <=`maxlag' { local q = 0 while 'q' <=`maxlag' {reg L(0/`p').vpib L(0 /`q'. el(stats, 1, 6) if`sbc' < `sbcstar' { local sbcstar =`sbc' local pstar = `p' local qstar =`q' } local ++q } local ++p } reg L(0 /`pstar').vpib L(0/'qstar').N3OPI اگر تاریخ >= 1 + 'maxlag'، noconstant'_ من از این مدل برای یافتن یک نقطه شکست ساختاری در رابطه استفاده می کنم. آیا باید از این نتایج تخمین برای یافتن شکست ساختاری با دانستن اینکه برخی از برآوردگرهای قیمت نفت (NOPI) از نظر آماری معنی دار نیستند استفاده کنم؟ یا باید از NOPI فقط در رگرسیون استفاده کنم و برآوردگرهای رشد Gdp (vpib) را حذف کنم؟ من تصمیم گرفتم که تاخیر متغیرهای وابسته را اضافه کنم زیرا فکر می کنم بدون آنها نمی توانم توابع پاسخ را دریافت کنم. | به کدام اهمیت آماری تکیه کنیم؟ |
111704 | من سعی می کنم از بسته گروفیت برای منحنی های رشد بیولوژیکی استفاده کنم. میخواهم ببینم کدام منحنیها دادههای من را بهتر توصیف میکنند و از روی آنها نتایجی را که من ندارم پیشبینی میکنند. من اساساً نمونه ای از داده های حاوی طول بال برخی از پرندگان (به عنوان معیار رشد) و سن مربوطه آنها را دارم. و من نمونه دیگری فقط با طول بال دارم (با سن مرتبط نیست). قالب کمی متفاوت از آنچه در بسته مشخص شده است. کاری که میخواهم انجام دهم این است: 1) بهترین منحنی را که دادههای من را توصیف میکند (با استفاده از دادههایی که سن دارم) پیدا کنم، 2) نتایج را روی دادههایی که سن ندارم اعمال کنم و این سنها را پیشبینی کنم. آیا با گروفیت امکان پذیر است؟ آیا ایده ای برای انجام آن دارید؟ | بسته grofit برای منحنی های رشد و پیش بینی؟ |
22561 | در استنتاج آماری، بسیاری از اصول اساسی آماری مانند اصل احتمال و اصل نمونه گیری مکرر وجود دارد. من نمی دانم که آیا اصول دیگری وجود دارد؟ و معنای این اصول چیست؟ تفاوت بین این اصول، به خصوص بین اصل احتمال و اصل نمونه گیری مکرر چیست؟ از کتاب «روشهای احتمال در آمار» نوشته T.A.Severini، «اصل نمونهگیری مکرر بیان میکند که روشهای آماری باید بر اساس رفتارشان در تکرارهای فرضی آزمایشی که دادههای اصلی را تولید کرده است، ارزیابی شوند. البته، خودسری قابلتوجهی وجود دارد. در چگونگی تفسیر این اصل، به ویژه، در چگونگی تعریف تکرارهای فرضی یک روش آماری معین باید بر اساس نحوه عملکرد آن ارزیابی شود. | تفاوت بین اصل درستنمایی و اصل نمونه گیری مکرر |
89891 | من تازه وارد این سایت هستم. گرین هورن در طراحی نظرسنجی ها، یک سوال جمع آوری داده ها دریافت کرد. من یک سوال طراحی کردم تا نظر فرد را در رابطه با انجام X در مکان های مختلف L1، L2، L3 ... و غیره جمع آوری کنم. گزینه های من برای هر مکان L، که به صورت ماتریس ارائه شده است، به شرح زیر است، به عنوان مثال: * من اخلاقاً موظف هستم برای انجام X * همه X را انجام می دهند، من فقط دنبال می کنم. * من باید X را انجام دهم. * از من انتظار می رود X را انجام دهم. * احساس می کنم باید X را انجام دهم. * نیازی به انجام X ندارم. * نباید X را انجام دهم. * نباید X را انجام دهم. برای من یکی از پاسخ دهندگان نظر داد لطفا یاد بگیرید که چگونه از مقیاس لیکرت به درستی استفاده کنید. از آنجایی که نظرسنجی ناشناس است، نمی توانم از او برای مشاوره بیشتر بخواهم. بنابراین من به مطالعه مقیاس لیکرت ادامه دادم تا ببینم چه چیزی مقیاس لیکرت را تعریف می کند. اکنون، می توانم به وضوح ببینم که ماتریس دکمه های رادیویی من مقیاس لیکرت نیست. سپس به یافتن انواع دیگری از مقیاس (با نام) در این مبحث ادامه دادم، به امید اینکه بتوانم مقیاسی را پیدا کنم که با آنچه که انجام دادم مطابقت داشته باشد، اما هر کجا که می روم مقیاس لیکرت دیگری است. **سوال**: آیا مقیاس لیکرت تنها راه برای جمع آوری داده ها با ماتریسی از دکمه های رادیویی است؟ چه ترازوی دیگری وجود دارد؟ اگر لیکرت تنها مقیاس است، چگونه سوالم را اصلاح کنم؟ | چند مقیاس غیر از مقیاس لیکرت چیست؟ |
89890 | اگر 10 متغیر تصادفی داشته باشیم که هر کدام با توزیع $Cauchy(t,1)$ توزیع شده اند و ما یک تخمینگر برای $t$ داریم. هنگام استفاده از برنامه «R» برای شبیه سازی میانگین مربعات خطا، آیا می توانم $t=0$ را فرض کنم زیرا توزیع متقارن است یا آیا برآوردگر نیز باید بی طرفانه باشد؟ با تشکر | توزیع متقارن و برآوردگر بی طرفانه |
26415 | من چند سوال مرتبط در مورد همگرایی زنجیره های مارکوف با حالت پیوسته دارم. قضایائی که من پیدا کردم ادعا میکنند که زنجیرههای مارکوف در صورتی که $\phi$-تقلیلناپذیر و غیر دورهای باشند، در تنوع کلی همگرا میشوند (به عنوان مثال http://arxiv.org/pdf/math/0404033.pdf، قضیه 4). من از این واقعیت گیج شدهام که نحوه بیان این نتیجه، به نظر نمیرسد به انتخاب $\phi$ بستگی داشته باشد، اما به نظر میرسد $\phi$-reducibility همیشه برای معیار بیاهمیت صادق است. شاید من تعریفی از $\phi$-inreducibility را اشتباه تعبیر کرده باشم؟ آیا کسی می تواند به من کمک کند تا این نتیجه مهم را درک کنم؟ سوال دیگری که من دارم این است: در چه شرایطی زنجیرههای مارکوف در واگرایی KL (به طور ایدهآل با توجه به $D_\text{KL}[P^n(x, \cdot)، Q]$) همگرا میشوند؟ آیا این شناخته شده است؟ نابرابری پینسکر به من می گوید که همگرایی در هر کدام از واگرایی KL قوی تر از همگرایی در تنوع کل است. با تشکر | همگرایی زنجیره مارکوف، تنوع کل و واگرایی KL |
22566 | در توضیح یا پیش بینی؟، Pr. Galit Shmueli گفت که گاهی اوقات یک مدل کمتر واقعی می تواند بهتر از یک مدل واقعی پیش بینی کند. چرا اینطور است؟ چه زمانی اتفاق خواهد افتاد؟ چگونه اتفاق می افتد؟ آیا توضیح یک معامله برای پیشبینی در مدلها است؟ | چه زمانی یک مدل کمتر واقعی بهتر از یک مدل واقعی تر پیش بینی می کند؟ |
114286 | من مشکلاتی در مورد چگونگی انجام مقایسه های برنامه ریزی شده با استفاده از GLM برای تجزیه و تحلیل اندازه گیری های مکرر دارم. به طور خاص، من یک گروه از افراد دارم که با 2 مقیاس مختلف (هر کدام 3 امتیاز فرعی) در 2 نقطه زمانی مختلف (قبل و بعد از درمان) ارزیابی شدند. من میخواهم چند زیرنمره خاص قبل و بعد از درمان را با هم مقایسه کنم (یعنی زیر امتیاز 1 قبل از بعد از آن؛ زیر امتیاز 3 قبل از بعد از درمان) با استفاده از SPSS، اما از نیاز به اصلاح برای مقایسههای متعدد اجتناب میکنم. بنابراین، من می خواهم از مقایسه های برنامه ریزی شده استفاده کنم، اما وقتی وارد گزینه GLM برای اندازه گیری های تکراری می شوم، در قسمت کنتراست ها، نمی توانم تضادهای خاصی را انتخاب کنم. کسی میدونه چطوری میشه اینکارو کرد؟ خیلی ممنون | چگونه می توان با استفاده از SPSS مقایسه های برنامه ریزی شده را بر روی اندازه گیری های مکرر انجام داد؟ |
9820 | فرض کنید من یک سیستم معاملاتی دارم که در یک دوره سه ساله در حال ارزیابی آن هستم. بازده 25٪، -40٪ و 25٪ است. از نظر تجربی، می توانم ببینم که این سیستم ضرر می کند، زیرا در پایان سه سال، کمتر از زمانی که شروع کردم، دارم. ویکیپدیا «بازده مورد انتظار» را به صورت زیر تعریف میکند: E(R)= مجموع: احتمال (در سناریوی i) * بازده (در سناریوی i) اگر مقادیر خود را در این فرمول وارد کنیم، موارد زیر را دریافت میکنیم: E(R) = ( 0.33 * 0.25) + (0.33 * -.40) + (0.33 * 0.25) = 0.033 بنابراین یک بازده مورد انتظار مثبت برای سیستمی که ضرر می کند هر بار، مهم نیست که ترتیب بازگشت را دوباره ترتیب دهید. اینجا چه اشکالی دارد؟ برای توضیح بیشتر نحوه عملکرد بازی، مقدار شروع اولیه 100 را در نظر بگیرید. در پایان بازی چه انتظاری می توانید داشته باشید؟ هیچ سرمایهگذاری مجدد، برداشت، سود سهام، کارمزد کارگزار و کارمزد SEC وجود ندارد. این یک بازی ساده است. در اینجا چند کد R برای نشان دادن بازی وجود دارد. اول <- c(.25، 0.25، -.4) دوم <- c(-.4، 0.25، 0.25) سوم <- c(.25، -.4، 0.25) هر یک از موارد بالا را پاس کنید دنباله بازگشت به این تابع: بازی <- تابع(x){ شروع <- 100 برای (i در 1:NROW(x)) شروع <- شروع + شروع*x[i] بازگشت(شروع) } توجه: من یک سوال مشابه در مورد تبادل کوانتومی پرسیدم، اما در اینجا به ریاضیات پشت معادله بازده مورد انتظار علاقه دارم. | محاسبه بازده مورد انتظار |
114289 | مقاله ویکیپدیا در مورد تجزیه و تحلیل _Post hoc_ میگوید: «تصحیح بونفرونی (این به درستی با تضادهای برنامهریزی شده، نه _post hoc_، استفاده میشود.)» اما توضیح نمیدهد که چرا تصحیح بونفرونی به درستی با تضادهای برنامهریزی شده استفاده میشود و نه _post hoc_. به نظر نمی رسد مقاله ویکی پدیا در مورد تصحیح بونفرونی این را توضیح دهد یا حتی به آن اشاره کند. ببخشید اگر واقعا مقاله ویکی اشتباه است. | چرا تصحیح Bonferroni به درستی با تضادهای برنامه ریزی شده و نه post hoc استفاده می شود؟ |
30607 | فرض کنید همبستگی پیرسون را بین متغیر $x$ و $y$ در گروههای $A$ و $B$ آزمایش میکنیم. آیا ممکن است همبستگی $(x,y)$ در هر یک از $A$ و $B$ معنادار باشد، اما زمانی که دادههای هر دو گروه ترکیب میشوند، معنیدار نباشد؟ در این مورد، لطفاً توضیحی در مورد آن ارائه دهید. | همبستگی در هر گروه معنی دار است اما در کل غیر معنی دار است؟ |
110071 | اگر در یک سال 12 بار به یک موسسه خاص بروم (مثلاً یک بار در ماه) و هر بار که وارد آنجا می شوم 6.25٪ احتمال دارد که با شخصی که می شناسم برخورد کنم، چقدر احتمال دارد که من آیا در طول این 12 مورد حداقل یک بار با شخصی که می شناسم برخورد می کنم؟ آیا می توانید به من بگویید که این احتمال چیست و دقیقاً چگونه این پاسخ را به دست آورده اید؟ | تلاش برای کشف فرمول و پاسخ به سوال احتمال |
110072 | برخی از مردم آن را LAS-so و برخی las-SOO تلفظ می کنند (از طنابی که کابوی ها برای گرفتن گاو پرتاب می کنند). کدام راه درست است؟ | چگونه LASSO را تلفظ می کنید؟ |
114288 | می خواهم رابطه بین تایید انتظارات پیش از خرید با رضایت کلی و سپس رضایت کلی از قصد خرید مجدد را بررسی کنم. تایید انتظارات قبل از خرید شامل چهار آیتم قرار گرفته در مقیاس لیکرت 7 درجه ای = مجموع امتیازات هر یک از آیتم ها رضایت کلی شامل چهار آیتم در مقیاس لیکرت 7 درجه ای = مجموع امتیاز در هر اقلام است. قصد خرید مجدد: تک مورد با مقیاس لیکرت 5 درجه ای باید از ضریب همبستگی پیرسون و رگرسیون خطی ساده استفاده کنم؟ | همبستگی بین چندین مورد از نوع لیکرت |
93040 | من به ابزار G*Power برای تجزیه و تحلیل توان آماری نگاه میکنم، اما با تفاوت بین دو گزینه z-test سردرگم شدهام. همبستگی: دو عدد پیرسون r وابسته (شاخص مشترک) و همبستگی: دو عدد پیرسون r وابسته (شاخص مشترک وجود ندارد) آیا این در رابطه با داده های آزمون است؟ به عنوان مثال از یک گروه 10 نفره مرد و یک گروه 10 نفره زن خواسته شد تا به یک نمایه 10 تصویری امتیاز دهند (شاخص مشترک) از یک گروه 10 نفره مرد و یک گروه 10 نفره از زن خواسته شد به دو نمایه جداگانه از تصاویر امتیاز دهند (شاخص مشترک وجود ندارد) هر گونه کمک بسیار قدردانی می شود | تفاوت بین شاخص مشترک و بدون شاخص مشترک |
92938 | من در حال بررسی اثرات یک مداخله خواندن توسط والدین بر 11 متغیر پیامد کودک در 3 نقطه زمانی مختلف (قبل از مداخله، پس از مداخله و پیگیری) با گروه کنترل هستم. حجم نمونه 20 نفر است. در پیش آزمون، تمامی 20 شرکت کننده اقدامات را تکمیل کردند. در پس آزمون، من داده های گم شده برای دو متغیر و در پیگیری، داده های کامل تنها برای 18 شرکت کننده (9 برای هر گروه) وجود دارد. من قصد داشتم یک ANOVA اندازه گیری مکرر را برای بررسی عملکرد در طول زمان، تفاوت های میانگین گروهی و اثرات متقابل احتمالی انجام دهم. من دادههای توصیفی را برای هر متغیر بهصورت گروهی بررسی کردم و آزمونهای Shapiro Wilk را اجرا کردم تا تعیین کنم که آیا دادههای هر متغیر با فرض تقریب توزیع نرمال مطابقت دارد یا خیر. بر اساس این نتایج، 6 متغیر من (با مقادیر P کمتر از 0.05) این فرض را برآورده نمی کنند (حداقل در 1 نقطه از زمان). من چند سوال دارم که چگونه داده های خود را تجزیه و تحلیل کنم. 1. با توجه به اینکه همه متغیرهای من با فرض نرمال بودن برای اجرای تحلیل پارامتریک مطابقت ندارند، آیا تغییر متغیرهای من مناسب است؟ 2.اگر بله، یک تکنیک تبدیل مناسب برای استفاده با SPSS چیست؟ 1. اگر بخواهم تقریباً نیمی از داده های خود را تغییر دهم، آیا بهتر است آنالیز آنون پارامتریک را انتخاب کنم؟ 2. اگر بله، آیا باید از تحلیل دو طرفه فریدمن برای تحلیل اندازه گیری مکرر (در داخل) و من ویتنی برای تجزیه و تحلیل بین اندازه گیری استفاده کنم؟ 3. آیا آزمون ناپارامتریکی وجود دارد که بتواند اثرات متقابل را آزمایش کند؟ 4. در نهایت، اگر از تحلیل ناپارامتریک استفاده کنم، آیا میتوانم اندازههای اثر را محاسبه کنم؟ | طرح اندازه گیری مکرر بین افراد با N غیر طبیعی و کوچک |
22568 | در تنظیم کلی الگوریتم نزول گرادیان، $x_{n+1} = x_{n} - \eta * gradient_{x_n}$ داریم که در آن $x_n$ نقطه فعلی، $\eta$ اندازه گام و $ است. gradient_{x_n}$ گرادیان است که در $x_n$ ارزیابی شده است. من در برخی از الگوریتمها دیدهام که مردم از ** گرادیان نرمال شده** به جای ** گرادیان** استفاده میکنند. می خواستم بدونم تفاوت استفاده از ** گرادیان نرمال شده** و به سادگی ** گرادیان** چیست؟ | تفاوت در استفاده از گرادیان و گرادیان نرمال شده |
55423 | این مشکل برای آریما در پست زیر حل شده است. حالا میخواهم dshw را با Arima مقایسه کنم، اما ویژگی عبور مدل fitted به dshw را پیدا نکردم تا هر بار که مجموعه دادهها را با مقادیر جدید بهروزرسانی میکنیم، مدل را دوباره تخمین نزنم. موارد زیر کار نمی کند: set.seed(1234) y=ts(log(35+10*rnorm(1000))) set.seed(4567) new.data=ts(log(35+10*rnorm(10 ))) مدل کتابخانه (پیش بینی) <- dshw(y) newfit <- dshw(c(y،new.data)، model=model) onestep.for <- fitted(newfit)[1001:1010] یک جایگزین انجام یک حلقه است، اما من می خواهم از تخمین مجدد ضرایب برای هر حلقه اجتناب کنم: set.seed(1234) y=ts(log(35+10*rnorm( 1000))) set.seed(4567) new.data=ts(log(35+10*rnorm(10))) library(forecast) model <- dshw(y) onestep.for=forecast(model,h=1) onestep.for=onestep.for$mean برای (i در 1:10) { data=c() data=c(y,new.data[1:i]) model2= dshw(data) newfit=forecast(model2, h=1) onestep.for=c(onestep.for,newfit$mean) } به هر حال هنگام اجرای کد بالا با خطای زیر مواجه می شوم. خطا در min(y): نوع نامعتبر (لیست) استدلال | پیش بینی یک گام جلوتر با داده های جدید که به صورت متوالی با استفاده از dshw از بسته پیش بینی جمع آوری شده است |
32423 | من در حال تخمین رابطه بین نمرات ریاضی دانش آموزان و استفاده از نرم افزار ریاضی تکمیلی هستم. من برای برخی از متغیرهای جمعیت شناختی در مدل تنظیم کرده ام. در اولین مدل خود، از مجموعه داده کامل شامل دانشآموزان کلاس 3، 4 و 5 استفاده میکنم. در مدل خود، ضریب نمره را تنظیم میکنم، تخمین قابل توجهی 5.1 (واحد) برای گروه درمان (کسانی که از برنامه). سپس، من مجموعه داده را فقط به کلاس سوم، فقط کلاس چهارم، و فقط کلاس پنجم طبقه بندی می کنم و برای هر یک مدل جداگانه ای قرار می دهم {همان مدل برازش شده با مدل کامل اما این بار بدون متغیر درجه}. اثر درمان تخمین زده شده عبارتند از: 1) درجه 3: 7.4 واحد 2) درجه 4: 12.29 واحد (قابل توجه) 3) درجه 5: 12.81 واحد (تقریباً قابل توجه) همانطور که می بینید، اثر کلی 5.1 بین برآوردهای مجموعه داده های طبقه بندی شده چرا این اتفاق می افتد؟ آیا این برای شما عجیب است؟ | اثر درمان تخمینی در نمونه کامل بین تخمین نمونه های طبقه بندی شده نیست؟ |
100016 | من سیگنال هایی دارم که شبیه امواج سینوسی (یا به طور دقیق تر، مجموع سینوس ها) هستند. داده ها در حوزه زمان نرمال می شوند به طوری که تنها یک چرخه وجود دارد و همه نقاط بین 0 و 1 قرار دارند. یک سیگنال نمونه به این صورت است:  میخواهم بگویم که پیشبینی انجامشده در فاز 0 برابر با پیشبینی فاز 1 است. چگونه میتوانم این کار را در حین استفاده از روالهای درونیابی در یادگیری scikit انجام دهم. (مثلاً رگرسیون تصادفی جنگل)؟ | چگونه می توان شرایط مرزی دوره ای را هنگام انجام رگرسیون با یادگیری کیت علمی اعمال کرد؟ |
26416 | در مجموعهای از یادداشتهای سخنرانی که به صورت آنلاین به آن برخورد کردم، نویسنده یک مدل رگرسیون غیرخطی را مورد بحث قرار میدهد که در برخی پارامترها خطی است، مانند این $$ y = \theta_1 + \theta_2\exp \left( {\theta_3x} \right) + \varepsilon $$ و پیشنهاد می کند ابتدا یک رگرسیون غیرخطی برای تخمین $\theta_3$ انجام دهید و سپس از OLS برای تخمین دو مورد دیگر استفاده کنید. پارامترها من در مدل سازی رگرسیون زیاد تجربه ندارم، پس لطفاً اگر یک سوال خیلی ساده می پرسم، مرا ببخشید، اما نمی دانم چگونه می توانید این کار را به طور مداوم بدون تخمین 2 پارامتر دیگر انجام دهید؟ ظاهراً ترفندی در کار است که من متوجه نمی شوم... یک سوال دیگر این است که اگر رگرسیون را در دو مرحله مانند آن انجام دهید، توانایی انجام استنتاج بر اساس تخمین پارامترها به مدل کامل چه می شود؟ با تشکر فراوان | مدل رگرسیون غیرخطی در برخی پارامترها خطی است |
55424 | اگر داده های شمارشی با اعداد کوچک و دسته ای از 0 داشته باشید، بهترین توزیع برای مدل سازی آن کدام است؟ آیا پواسون در مدیریت داده ها با دسته ای از 0 و تعداد کمی بین 1 تا 4 خوب است؟ | بهترین توزیع برای داده های کمیاب |
111709 | فرض کنید $Y$،$X$ و$Z$ متغیرهای تصادفی همبسته با $N(0,1)$ هستند. ما این رگرسیون مقطعی را برای هر بار داریم $t$ $Y_{t} = \beta_{t}X_{t}+u_{t} $Y_{t} = \theta_{t}Z_{t}+ \epsilon_{t} $ میتوانیم همبستگی مقطعی (یا کوواریانس) $X_{t}$ و $Z_{t}$ را در هر زمان $t$ حذف کنیم. $corr(X_{t},Z_{t})$ اجازه میدهیم بگوییم که $c_{t}$ است. میخواهم بررسی کنم که این همبستگی بین $X_{t}$ و $Z_{t}$ چگونه بر تخمین پارامترهای $\beta_{t}$ و $\theta_{t}$ تأثیر میگذارد. به طور خاص، من امیدوار بودم که یک عبارت فرمولی در مورد اینکه چگونه $c_{t}$ بر همبستگی بین سری های زمانی تخمین پارامترهای $\beta_{t}$ و $\theta_{t}$ تأثیر میگذارد، دریافت کنم. لطفاً اگر این هنوز نامشخص است به شما اطلاع دهید. با تشکر فراوان | چگونه همبستگی متغیرهای مستقل بر همبستگی پارامترها تأثیر می گذارد |
56192 | شما یک سکه را ورق می زنید و اگر یک سر باشد من 1 پوند به شما می دهم اما اگر دم باشد به من 2 پوند می دهید. شما 50 پوند دارید و زمانی که تمام پول خود را خرج کنید یا 100 بار سکه را برگردانید متوقف می شوید. ارزش مورد انتظار سود شما در این بازی چقدر است؟ | ارزش مورد انتظار سود شما |
22564 | برای یک تکلیف (M.Sc. Epidemiology)، باید C.I را محاسبه کنم. در یک تفاوت ریسک استاندارد (RD). برای دقیق تر بودن، من 2 متغیر دوگانه دارم، سن (جوانتر/بزرگتر) و جنسیت (m/f)، بنابراین 4 تخمین RD خاص طبقاتی را در رابطه با مواجهه و پیامد معین به دست می دهم. هر گونه راهنمایی در مورد چگونگی انجام این کار قابل قدردانی خواهد بود (چه از نظر ریاضی یا از طریق یک تابع موجود در R -- من هیچ موردی را در بسته های epi رایج R پیدا نکردم). | فاصله اطمینان در یک تفاوت ریسک استاندارد |
26417 | من یک نظرسنجی برای پروپوزال تحقیق خود در گفتار درمانی پیشنهاد می کنم. مجموعهای از دستورالعملها وجود دارد که گفتاردرمانگران باید از آنها پیروی کنند، به طوری که همه سؤالها از نظر مفهومی مرتبط هستند - به طوری که اگر درست متوجه شدم بتوانم از یک نمره ترکیبی استفاده کنم. سوال تحقیق من این است که آیا گفتاردرمانگران در انتخاب ارزیابی خود تحت تأثیر ویژگی های شخصی هستند؟ از این رو می خواهم بین دوزبانه بودن فردی و احتمال پیروی از دستورالعمل ها (با استفاده از نمره ترکیبی/نمره خلاصه) ارتباط برقرار کنم. امیدوارم کسی بتونه کمک کنه لطفاً تعداد دفعات استفاده از روش ارزیابی زیر را مشخص کنید. 1 هرگز 2 گاهی اوقات 3 گاهی اوقات 4 معمولا 5 همیشه همه زبان های بیمار را ارزیابی می کنم. 1 2 3 4 5 من از نمایه استفاده از زبان استفاده می کنم 1 2 3 4 5 در طول ارزیابی از افراد زیر به عنوان مترجم استفاده می کنم: ... خانواده و دوستان بیمار 1 2 3 4 5 ... همکاران دو زبانه 1 2 3 4 5 ... مترجمان حرفه ای 1 2 3 4 5 توصیه می شود از همکاران دوزبانه یا مترجمان حرفه ای (بدون تفاوت در اولویت) استفاده کنید، اما خانواده و دوستان نباید استفاده کنند. از این رو نمیتوانم از خانواده و دوستان به عنوان نمره مثبت استفاده کنم (هرگز خوب نخواهد بود، بنابراین امتیاز بالایی کسب کنید) و فکر میکردم که میتوانم نمره سه مورد را به طور متوسط میانگین کنم زیرا نمیخواهم استفاده حرفهای وزن شود. در نمره ترکیبی بالاتر از استفاده از نمایه زبان و ارزیابی همه زبانها. میخواستم بدونم که آیا به سادگی تمام نمرات را به این صورت جمع کنم: (مثلاً کسی اینگونه پاسخ داده است) همه زبانها را ارزیابی کنید (4) از نمایه استفاده از زبان (4) استفاده از افراد مناسب (4) (به عنوان مثال هرگز از خانواده و دوستان استفاده نکنید (5 به عنوان مثبت) + استفاده مکرر از همکاران دوزبانه (2) + استفاده مکرر از مترجمان حرفه ای (5) = 4) که به عنوان نمره ترکیبی 4 + 4 + 4 = 12 از ممکن است 15. سپس من می خواستم از همبستگی اسپیرمن استفاده کنم زیرا سوال در مورد دوزبانگی منجر به یک متغیر دوگانه می شود و نمره ترکیبی داده های بازه/نسبت خواهد بود؟ | محاسبه امتیاز ترکیبی یا امتیاز جمع شده از مقیاس لیکرت |
32426 | قدردان هر پاسخی در مورد توصیف/تخمین خطای پیشبینی در دادههای آینده برای مسئله رگرسیون غیرخطی هستیم. در چه شرایطی خطای اعتبارسنجی متقاطع یا خطای آزمایش ساده بر روی 20 درصد دادههای موجود بهطور تصادفی انتخاب شده برای مشخص کردن خطای پیشبینی در دادههای جدید (مقدار مورد انتظار، یا حداکثر/دقیقه) مفید است؟ من جایی شنیده ام که خطای اعتبار متقاطع یک تخمین خوش بینانه است، یک خطای پیش بینی بدبینانه (اما تا حدودی محدود بالا) چه چیزی می تواند باشد؟ | تخمین خطای پیش بینی |
61125 | آیا کسی مایل است که توصیفی شهودی از موقعیتهایی داشته باشد که تحت آن یک مدل پاسخ چند متغیره مناسبتر از بسیاری از رگرسیونهای خطی است؟ به عنوان مثال، یک برنامه ترویج کشاورزی به طور تصادفی تخصیص یافته و بازده چندین محصول مختلف کشت شده توسط کشاورزان را در نظر بگیرید. شما می توانید چندین مدل مختلف برای هر محصول اجرا کنید. یا می توانید به نحوی محصولات را جمع آوری کنید. یا شاید شما می توانید یک مدل پاسخ چند متغیره را اجرا کنید که به موجب آن متغیر وابسته شما در واقع یک ماتریس است تا یک بردار. من همه چیز را در مورد ریاضی مطالعه کردهام، اما توصیف شهودی خوبی از موقعیتهایی که این نوع مدلها بیشترین کاربرد را دارند، و همچنین مشکلات عملی آنها پیدا نکردهام. دریافتم که خطاها بین پاسخها همبستگی دارند. آیا این بدان معناست که در شرایطی که رگرسیون های فردی ضعیف هستند، قدرت بیشتری کسب خواهید کرد؟ آیا دلیلی وجود دارد که اگر یک متغیر به طور تصادفی تخصیص داده شود، ماتریس های ضرایب تخمین زده شده در این مدل ها تفسیر علّی ندارند؟ | رگرسیون پاسخ چند متغیره در مقابل بسیاری از مدل های خطی |
114280 | وزن یک مرد پرتغالی معمولاً با میانگین 160 پوند و انحراف معیار 30 پوند توزیع می شود. وزن یک زن پرتغالی معمولاً با میانگین 120 پوند و انحراف معیار 25 پوند توزیع می شود. اگر یک مرد پرتغالی و یک زن پرتغالی هر کدام به صورت تصادفی انتخاب شوند. احتمال اینکه وزن مرد بیش از 50 پوند بیشتر از وزن زن باشد چقدر است؟ فکر من این بود که هر دو توزیع نرمال را استاندارد کرده و احتمال $P(M>W+50)$ را به عبارتی که فقط $Z$ را شامل می شود تبدیل کنم. اما به نظر نمی رسد که بفهمم چگونه این کار را انجام دهم. آیا من در مسیر درست هستم؟ | احتمال اینکه وزن یک نفر بیش از 50 پوند بیشتر از وزن دیگری باشد |
104451 | من در بدست آوردن شاخص های تناسب خوب با مشکل مواجه هستم. من فقط 163 پاسخ دهنده با مجموع 4 متغیر و 70 مورد دارم (*A:** 5 جزء، هر کدام 3-4 مورد؛ **B:** 3 جزء، هر کدام 8 مورد؛ **C:** 4 اجزاء، هر کدام 4-5 مورد، **D:** 11 مورد). مقادیر اولیه برای شاخص های تناسب عبارت بودند از: ChiSq P-value = 0.000; RMSEA = 0.071; GFI = 0.586; SGFI = 0.558; CFI = 0.675; TLI = 0.663; NFI = 0.488; ChiSq/df = 1.815 سپس، سرپرستان من به من پیشنهاد کردند که EFA را برای مدل اجرا کنم، اما در نهایت، موارد موجود در همان گروه در گروههای مختلف توزیع میشوند، جایی که گروهبندی آن آیتمها به هیچ وجه منطقی به نظر نمیرسد. این سازه ها از ادبیات گذشته تعداد عوامل با آنچه در ادبیات گذشته پیشنهاد شده بود یکسان نبود. ** Q1: آیا باید مدل را مطابق با نتیجه EFA تغییر دهم؟** بدون تغییر مدل، سعی کردم برای هر ساختار به طور جداگانه CFA انجام دهم و با مراجعه به شاخص های اصلاح (MI) موارد حذف شده را انجام دهم. و CFA را برای کل مدل مجدداً با حذف مواردی که در مرحله آخر حذف کردم، اجرا کردم. با این حال، شاخص های تناسب اندام هنوز ضعیف هستند. اگر موارد با بالاترین MI را حذف کنم، نتیجه بدتر خواهد شد. سپس، دوباره با استفاده از آلفای کرونباخ برای شناسایی موارد با قابلیت اطمینان پایینتر شروع کردم و آن را حذف کردم. و من همان مراحل را با اجرای CFA برای ساختارهای فردی، حذف آیتم ها بر اساس MI، اجرای دوباره CFA برای کل مدل، و حذف آیتم ها بر اساس MI تکرار کردم. من 17 مورد را از مدل حذف کردم. نتیجه نهایی به شرح زیر است: ChiSq P-value = 0.000; RMSEA = 0.060; GFI = 0.690; SGFI = 0.660; CFI = 0.831; TLI = 0.822; NFI = 0.649; ChiSq/df = 1.587 **Q2: آیا می توانم بدانم آیا راه دیگری وجود دارد که بتوانم برای بهبود شاخص های تناسب اندام انجام دهم؟ اگر مشکل از داده های من است، آیا باید از SEM برای تجزیه و تحلیل صرف نظر کنم؟** متشکرم! | چگونه می توان شاخص های تناسب ضعیف را برای CFA درمان کرد؟ |
56190 | این اولین پست من است. من مجموعه دادههای زیر را دارم: از 331 آزمودنی پرسیدم که آیا دارویی را برای تقویت چهار حوزه/توانایی زیر مصرف میکنند یا خیر: شناخت، خلق و خو، جنسیت، و ظاهر فیزیکی. برای هر دامنه/توانایی، آزمودنی ها باید یکی از سه گزینه را انتخاب می کردند: «نه»، «شاید» یا «بله». هدف من این است که تعیین کنم آیا آزمودنی ها تمایل بیشتری به ارتقای یک یا چند مورد از این چهار حوزه داشتند یا خیر. به عبارت دیگر، تمایل به افزایش برابری در این چهار حوزه است، یا احتمال افزایش برخی از آنها بیشتر از سایرین است. این مانند یک جدول احتمالی 4×3 است، اما من نمیتوانم از chi-square استفاده کنم زیرا فرض استقلال مشاهدات به وضوح نقض میشود - هر موضوع پاسخهایی را برای هر یک از چهار حوزه ارائه کرد. در اینجا چیزی است که من تا کنون در نظر گرفته ام. من میتوانم متغیر پاسخ را بهعنوان یک متغیر عددی در نظر بگیرم (یعنی کد کردن «نه» بهعنوان 0، «شاید» بهعنوان 1، و «بله» بهعنوان 2)، و سپس آزمون فریدمن یا حتی بهتر از آن آزمون رتبهبندی را از Brunner، Domhof انجام دهم. و لانگر (2002). من فکر میکنم این کار میکند، اما تصور میکنم تعداد زیادی پیوند وجود خواهد داشت (یعنی 3 گزینه برای 4 دامنه وجود دارد، بنابراین برای هر موضوع حداقل 1 تساوی در مجموعه رتبهبندیهای آنها وجود خواهد داشت). درک من این است که روش های Brunner، Domhof و Langer (2002) می توانند روابط را مدیریت کنند. من همچنین کمی نگران رفتار با چنین داده های ترتیبی کوتاه شده به این روش هستم. من همچنین انجام تست استوارت-مکسول را برای هر جفت مقایسه دو طرفه در نظر گرفته ام (مثلاً پاسخ های نه، شاید، و بله را برای شناخت و خلق، شناخت و جنسیت و غیره مقایسه کنید). باید اعتراف کنم که قبل از امروز هیچ چیز در مورد این تست نمی دانستم و تنها دانش من از طریق گوگل (نه چندان عالی) به دست آمده است. من از هر راهنمایی در مورد اینکه چگونه می توانم این داده ها را تجزیه و تحلیل کنم بسیار سپاسگزارم (و بله، ای کاش از مقیاس پاسخگویی که گزینه های بیشتری داشت یا حتی مقیاس لیکرت استفاده می کردم!) متشکرم، کوین | کمک به تجزیه و تحلیل داده های طبقه بندی اندازه گیری های مکرر |
103416 | من نتایج تحلیل رگرسیون را در مقاله ای می خوانم که نشان می دهد بیشتر ضرایب b2 و b3 معنی دار نیستند اما R2 معنی دار است. اگرچه متغیرهای زیادی در این مدل وجود ندارد (مدل زیر را ببینید)، این اتفاق افتاد. چطور؟ آیا هنوز هم لازم است b2 و b3 را تماشا کنیم و نتیجه گیری کنیم مانند b2 که بتوانیم بگوییم بین X و Y همبستگی مثبت وجود دارد؟ نویسنده این کار را انجام داده است، اما مطمئن نیستم که اگر ضریب اصلاً معنی دار نباشد، باید این کار را انجام دهد یا خیر.   | آیا تماشای ضرایب (های) یک معادله رگرسیون حتی زمانی که معنادار است/معنیدار نیست، هنوز معنادار است؟ |
89897 | من سعی می کنم دانش آماری خود را با استفاده از نتایج فوتبال (فوتبال) بهبود بخشم. بنابراین، این یک مشکل خود مطالعه است. شما نیازی به ارائه راه حل کامل ندارید. اشاره به من در جهت درست نیز کافی است. من کتابی دارم که در آن نویسنده سعی میکند نشان دهد که چگونه میتوان با استفاده از اطلاعات فصلهای قبلی، لبه خانه فصل جاری را تخمین زد. او می نویسد: به منظور ترکیب هر دو جنبه، ما لبه خانه 10 سال گذشته را به عنوان یک مشکل رگرسیون در نظر گرفته ایم. و با ارائه این فرمول ادامه میدهد: $$ HE_{est} = c_1HE_{last3} + c_2HE_{current} $$ $HE_{current}$ لبه اصلی فصل جاری است که با استفاده از اطلاعات سه فصل گذشته بهروزرسانی میشود ($HE_) {last3}$) برای رسیدن به برآورد لبه اصلی $HE_{est}$. سپس جدول زیر را ارائه می دهد که در آن $N$ تعداد روزهای مسابقه است: N | 0 | 6 | 11| 17| 22| 27| 33| c1|.89|.80|.67|.62|.61|.53|.52| c2| 0 |.11|.24|.29|.31|.40|.42| کاری که من میدانم او انجام میدهد این است: اول از همه، این یک مسئله رگرسیون خطی چند متغیره است که $c_1$ و $c_2$ ضرایب هستند. از آنجایی که فرمول احتمالاً تلاشی برای پیشبینی لبه خانه فصل از اطلاعات فصل در حال اجرا است، فرض میکنم که $HE_{est}$، متغیر وابسته، در واقع مزیت خانه آینده است. بنابراین، تصور می کنم، او لبه خانه هر فصل ده سال گذشته و لبه خانه فصل های قبل را محاسبه کرده است. در نهایت، او همچنین لبه خانه را در هر $N$ برای هر فصل محاسبه کرد (به عنوان مثال $HE$ در $N=6$، در $N=11$ و غیره) و ضرایب $c_1$ و $c_2$ را با استفاده از تخمین زد. مدل خطی بالا من خودم سعی کردم این کار را با R انجام دهم و نتوانستم اعداد جدول بالا را بازتولید کنم. داده های من به این شکل است: داده <- ماتریس(c(.15،.46،.46،.5،.02،.38،.21،.4،.43،.26،.43،.18،.57،.54،.16،. 42,.20,.49,.47,. 18،.43،.28،.47،.45،.14،.41،.19،.51،.46،.2،.4،.19،.53،.48،.2،.51، .49،.34،.37،.4)، 5،8) colnames(data) <-c(HE.6, HE.11، HE.17، HE.22، HE.27، HE.33، HE.curr, HE.last3) این فقط اطلاعات 5 سال است. با این حال، همان سالهایی است که او برای مجموعه دادههای خود استفاده کرد، فقط پنج سال اول از دست رفته است. بنابراین، ضرایب حاصل باید تقریب خوبی از آنچه او محاسبه کرده باشد. با این حال، آنها نیستند. اگر به عنوان مثال انجام دهم: lm(HE.curr ~ HE.last3 + HE.17,as.data.frame(data)) دریافت می کنم: ضرایب: (Intercept) HE.17 HE.last3 0.09440 0.79265 -0.07591 این نتیجه نادرست است . «HE.17» $HE_{current}$ در $N=17$ است. ضریب $c_2$ باید 0.29 باشد اما طبق این مدل خطی 0.79 است. از آنجایی که نتایج من اشتباه است و او هیچ رهگیری را گزارش نمیکند (به جز شاید $c_1=0.89$ در $N=0$ که در مورد آن مطمئن نیستم)، این تصور را دارم که در اینجا از مدل اشتباهی استفاده میکنم. چه چیزی را از دست داده ام؟ | مشکل خود مطالعه: پیش بینی عملکرد با استفاده از رگرسیون خطی چند متغیره |
89892 | اجازه دهید $Y_1,Y_2,\ldots$ دنباله ای از آزمایشات مستقل برنولی با پارامتر $p$ و $X_1,X_2,\ldots$ به ترتیب اولین بار موفقیت، بار دوم موفقیت، $\ldots$ باشند. چگونه می توانم توزیع احتمال مشترک $P(X_1=x_1,\ldots,X_n=x_n)$ را محاسبه کنم؟ | یافتن توزیع احتمال مشترک $P(X_1=x_1,\ldots,X_n=x_n)$ |
114755 | من چارچوب داده زیر را دارم که اتفاقاً دادههای پیشنویس NBA است: draft_year draft_round teamid playerid draft_from 1961 1 Bos Pol1 Nan 2001 1 LA Ben2 Cal 1967 2 Min Mac2 Nan 2001 1 LA Ben2 Cal 2000 1 C Sio1 Bud 120 میخواهم فقط آنها را پیدا و حذف کند ردیف هایی با موارد تکراری در playerid. به دلایل واضح، موارد تکراری باقی مانده دارای هدف معنی داری هستند و باید نگهداری شوند. | چگونه می توان موارد تکراری را در فریم های داده پیدا و حذف کرد؟ |
34797 | > **تکراری احتمالی:** > F غیر معنی دار اما ضریب قابل توجهی در خطی چندگانه > رگرسیون > چگونه یک رگرسیون می تواند معنی دار باشد اما همه پیش بینی کننده ها غیر معنی دار باشند؟ > اهمیت ضرایب در رگرسیون خطی: آزمون t معنی دار در مقابل آماره F غیر معنی دار اگر در رگرسیون خطی چندگانه (روش enter) مدل کلی معنی دار نباشد (F>.05) اما یکی از پیش بینی ها معنی دار است. (β<.05)، آیا باید آن را به عنوان یک نتیجه قابل توجه در نظر بگیرم؟ | چگونه می توانید یک مدل رگرسیون چندگانه غیر معنی دار با پیش بینی کننده های معنی دار داشته باشید؟ |
32425 | من دنباله ای از نمونه های باینری دارم و می خواهم نحوه تغییر این توالی را مدل کنم. تغییر باید منعکس کننده مثبت یا منفی بودن آن باشد. برای مثال، دنباله 1: 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 به طور مثبت تغییر می کند، زیرا ما به ظاهر 1 اطمینان داریم. قبل و بعد از مدتی اعتماد به نفس بیشتری پیدا کنید. با این حال، دنباله 2: 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 0 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0 1 1 0 1 0 0 0 0 0 0 0 0 0 در حال تغییر منفی است، زیرا تعداد 0 ها در حال افزایش است، برعکس به اعتماد قبلی ما به 1. آیا معیاری وجود دارد که این رفتار را مدل کند؟ من به دنبال آنتروپی نمونه بودهام، اما به نظر میرسد که تغییر فرکانس را مدل میکند اما تغییرات مثبت و منفی را تشخیص نمیدهد. دلیل اینکه من می خواهم این تفاوت را مدل کنم این است که می خواهم بدانم آیا تأثیر مثبت یا منفی روی مدل گرافیکی زیربنایی که این نمونه ها را تولید می کند وجود دارد تا بتوانم این تغییرات اساسی را تشخیص دهم. با تشکر | چگونه تغییر نمونه را مدل کنیم؟ |
77001 | من در حال انجام تحقیق در مورد ویژگی های محصول آب معدنی برای تصمیم گیری خرید هستم. با این حال، نتیجه آزمون احتمال -2log نشان داد که مدل من به اندازه کافی مناسب است اما نتیجه من از Hosmer و Lemeshow تنها 0.121 است. با این حال، آمار Wald من نشان داد که هیچ یک از متغیرهای مستقل من از نظر آماری معنادار نیستند. چگونه باید این نتیجه را تفسیر کنم؟ | چگونه می توان نتیجه رگرسیون قابل توجه لجستیک باینری را تفسیر کرد اما همه پیش بینی کننده ها ناچیز است |
13850 | من یک رگرسیون با دو پیشبینیکننده پیوسته و یک پیشبینیکننده دوگانه در مدل 1 و دو برهمکنش هر یک از پیشبینیکنندههای پیوسته با پیشبینیکننده دوگانه در مدل 2 دارم. ضریب برای یکی از شرایط تعامل معنادار است. با این حال، آزمون F معنادار نیست (نه برای مدل 1 و نه برای مدل 2). آیا هنوز باید آن تعامل مهم را تفسیر کنم یا فقط باید فرض کنم که نه پیش بینی کننده ها و نه عبارات تعامل در پیش بینی متغیر نتیجه مفید نیستند؟ | F نه معنی دار اما ضریب معنی دار در رگرسیون خطی چندگانه |
92935 | من در حال ساخت یک پروژه مرتبط با شناسایی پویایی فروش هستم. پایگاه داده من مربوط به 26 هفته (به طور مساوی در 26 مشاهدات سری زمانی) پس از راه اندازی محصول است. پایگاه داده من به این صورت است: https://imageshack.com/i/0yyh6ij من میخواهم پیشبینی را بر اساس منحنی S برای خوشههای سری زمانی انجام دهم. هدف اصلی مقایسه دو روش پیش بینی بود: 1. بر اساس پارامترهای منحنی لجستیک 2. بر اساس ARIMA، اما من نمی دانم چگونه این دو روش را مقایسه کنم = عملکرد آنها را اندازه گیری کنم. این یک نمودار با پیشبینی بر اساس منحنی S است http://imageshack.com/a/img850/6600/rzkp.jpg بنابراین سؤالات من عبارتند از: 1. چگونه عملکرد = خطاهای پیشبینی را بر اساس منحنی لجستیک اندازهگیری کنیم؟ 2. چگونه می توان پیش بینی را بر اساس منحنی لجستیک و ARIMA مقایسه کرد - اگر بر اساس یک متغیر - units_sold_that_week استوار باشم، تفاوت اصلی بین این دو رویکرد چیست؟ برای هر توضیحی ممنون میشم | تفاوت بین پیش بینی بر اساس ARIMA و منحنی لجستیک چیست؟ آر |
66473 | در یک پست وبلاگ، من این ادعا را پیدا کردم که > به اعتقاد من WG Cochrane اولین اشاره کرد (تقریباً در دهه 1970) که با > فواصل اطمینان در یک محیط مشاهده، اندازه نمونه کوچک منجر به پوشش بهتر با نمونه های بزرگ به اندازه کافی می شود. پوشش نزدیک به صفر! اکنون من فرض میکنم که عرض CI باید با افزایش حجم نمونه به 0 نزدیک شود، اما این ایده که پوشش همزمان بدتر میشود برای من قانعکننده نیست. آیا این ادعا درست است و در چه شرایطی؟ یا من اشتباه خوانده ام؟ من یک شبیهسازی را با استفاده از دادههای توزیع شده تصادفی با حجم نمونه از 10000 تا 1000000 (آزمون t یک نمونه، 95٪ CI)، 1000 اجرا در هر اندازه نمونه اجرا کردم، و پوشش برای اندازههای نمونه بالاتر بدتر نشد. (در عوض، نرخ خطای تقریباً ثابت ~ 5٪ مورد انتظار را پیدا کردم). | در چه تنظیماتی با افزایش حجم نمونه، فواصل اطمینان بهتر نمی شود؟ |
97015 | من 30 مشاهده دارم و 5 متغیر را به عنوان مستقل با استفاده از روش ENTER برای انجام رگرسیون خطی چندگانه القا می کنم. نتایج نشان داد که مدل رگرسیون خطی چندگانه به معنیداری نمیرسد (نه معنیدار F)، اما ضریب معنیداری وجود دارد. در این شرایط آیا ضریب معنی دار هنوز قابل اعتماد است؟ و چگونه این وضعیت اتفاق می افتد؟ | مدل رگرسیون خطی چندگانه معنیدار نمیشود، اما ضریب معنیداری وجود دارد. پس آیا قابل اعتماد است؟ |
93045 | من یک پست مشابه را در اینجا خوانده ام. تطبیق تابع لجستیک با pymc اما به نظر می رسد قانونی وجود دارد که من نباید در پست شخص دیگری سوال بپرسم. رویکرد من این است که 10 تابع لجستیک را به 10 مجموعه داده شبیه سازی شده مختلف به طور مستقل جا بدهم. کد نوشته شده به طور همزمان با تابع assign_step_methods pymc انجام می شود و روش نمونه گیری pymc.AdaptiveMetropolis است. یک مشاهدات عجیب وجود دارد که به کمک شما نیاز دارد. هر بار که اسکریپت را اجرا می کنم، یک داده وجود خواهد داشت که اصلاً با داده ها مطابقت ندارد. پارامتر تخمینی در مقایسه با بقیه 9 مجموعه پارامترهای تخمینی که به خوبی با هم مطابقت دارند، بسیار دورتر به نظر می رسد. به نظر می رسد این کد بدون اشکال است و می تواند 9 پارامتر را در خود جای دهد. پیشین ها در محدوده پارامترهای واقعی تنظیم می شوند. تعداد نمونه ها بسیار زیاد است، تقریباً 500000. تنها مشکلی که می توانم به آن فکر کنم تابع احتمال است که در آن tau استفاده شده در تابع Likelihood (نرمال) ممکن است کمی تنگ باشد و یک مقدار ثابت است. نمیدانم آیا راههایی برای بررسی اینکه چه مشکلی در فرآیند اتصال وجود دارد وجود دارد؟ به عنوان مثال، سوالات زیادی وجود دارد، اما چگونه آنها را تشخیص دهم؟ الف) اگر یکی از 10 پارامتر در فضای دیگری کاوش کند که در بیشتر مواقع رد می شود؟ آیا این مربوط به تابع احتمال است؟ آیا من مفهوم کلان شهر تطبیقی را به خوبی درک نمی کنم؟ ب) چرا الگوریتم یک پارامتر را از دست می دهد؟ من الان در گمشده هستم توصیه شما بسیار مفید خواهد بود. متشکرم. p.s. من در حال حاضر از pymc2.2 استفاده می کنم و نتوانستم pymc3 را روی پلتفرم ویندوز خود نصب کنم. | نصب چندین عملکرد لجستیک به طور همزمان با pymc |
24720 | من یک مدل رگرسیون خطی چندگانه را بین 4 متغیر طبقهبندی (هر کدام 4 سطح) و یک خروجی عددی برازش میدهم. مجموعه داده من 43 مشاهده دارد. R برای هر ضریب شیب $p$-مقادیر زیر را از آزمون t$-$ به من می دهد: $.15، 0.67، 0.27، 0.02$. بنابراین، ضریب پیشبینیکننده چهارم در سطح اطمینان $\alpha = 0.05$ معنیدار است. از طرف دیگر، R یک $p$-value از آزمون $F$- فرضیه صفر به من می دهد که همه ضرایب شیب من برابر با صفر هستند. برای مجموعه داده من، این $p$-value $.11$ است. سوال من: چگونه باید این نتایج را تفسیر کنم؟ از کدام $p$-value باید استفاده کنم و چرا؟ آیا ضریب متغیر چهارم به طور قابل توجهی با $0$ در سطح اطمینان $\alpha = 0.05$ متفاوت است؟ من یک سوال مرتبط، آمار $F$ و $t$ را در یک رگرسیون دیدهام، اما وضعیت معکوس وجود داشت: $t$-test $p$-value بالا و $F$-test $p$-value پایین. . راستش را بخواهید، من کاملاً متوجه نمیشوم که چرا ما به یک آزمون $F$ علاوه بر آزمون t$-تست نیاز داریم تا ببینیم آیا ضرایب رگرسیون خطی به طور قابلتوجهی با صفر متفاوت هستند یا خیر. | اهمیت ضرایب در رگرسیون خطی: آزمون t معنی دار در مقابل آماره F غیر معنی دار |
93047 | فرض کنید من با استفاده از نمونه ای از تعداد معینی از افراد، نظرسنجی انجام داده ام، شامل مجموعه ای از 25 سوال که دارای 6 پاسخ ممکن است (کاملاً موافق / تا حدی موافق / خنثی / تا حدی مخالف / کاملاً مخالفم / نمی دانم) و چند سوال دیگر در مورد متغیرهایی که برای واجد شرایط بودن آنها استفاده خواهم کرد (مانند جنسیت، میانگین درآمد، منطقه محل سکونت، سن، رنگ و غیره). حالا فرض کنید میخواهم سعی کنم همبستگیهایی بین جنسیت/نژاد/سن/غیره و پاسخهای خاص دادهشده به مجموعه ۲۵ سوالی پیدا کنم. اجازه دهید بگوییم من همچنین می خواهم ببینم آیا ممکن است بین پاسخ ها همبستگی وجود داشته باشد. به عبارت دیگر، من می خواهم همه همبستگی های ممکن را بین این متغیرها و سؤالات و در بین خود سؤالات پیدا کنم. آیا باید به استفاده از یک تحلیل تناظر چندگانه برای این هدف فکر کنم، یا یک رگرسیون لجستیک چند جمله ای، یا شاید هر دو، یا تکنیک خاص دیگری؟ من خودم در حال مطالعه آمار هستم و با این مشکل مواجه هستم و مطمئن نیستم چه مسیری را دنبال کنم. به نظر میرسد هر دو راه میخواهند پاسخهای مشابهی پیدا کنند، اما به نظر میرسد تفاوتهای ظریفی در انتخاب یکی از آنها وجود دارد که من از دست میدهم. | MCA در مقابل رگرسیون لجستیک چند جمله ای |
14500 | مدل تحلیل رگرسیون چندگانه من دارای مقدار F از نظر آماری معنیدار است، اما همه مقادیر بتا از نظر آماری غیرمعنیدار هستند. تمام مفروضات رگرسیون برآورده شده است. هیچ چند خطی یافت نشد. همبستگی بین همه پیش بینی ها همگی کمتر از 0.60 است. دلیل پیشبینیکنندههای بیاهمیت چه چیز دیگری میتواند باشد؟ | چگونه یک رگرسیون می تواند معنی دار باشد اما همه پیش بینی ها غیر معنی دار باشند؟ |
96037 | من هرگز انحراف باقیمانده را درک نکرده ام، به جز این واقعیت که عددی است که برای محاسبه $R^2$ مدل رگرسیون خطی گاوسی مفید است. فرض کنید R یک انحراف باقیمانده 2000 و یک انحراف تهی 6000 را خروجی میدهد... بنابراین $R^2$ است سپس $1 - \frac{2000}{6000} = 0.6$، و میتوان گفت که 60% انحراف را می توان با رگرسیون توضیح داد.... اما آیا راهی وجود دارد که به زبان انگلیسی ساده توضیح دهید که چه ارزش هایی وجود دارد. 2000 و 6000 واقعاً یعنی؟ به عنوان مثال فاصله از میانگین به طور متوسط 2000 واحد است یا چیزی دیگر (می دانم که این درست نیست). | تفسیر انحراف باقیمانده |
34986 | > **تکراری احتمالی:** > F غیر معنی دار اما ضریب قابل توجهی در خطی چندگانه > رگرسیون > چگونه می توانید یک مدل رگرسیون چندگانه غیر معنی دار با پیش بینی کننده های معنی دار داشته باشید؟ فرضیه من این بود که مشارکت اجتماعی با شناخت مرتبط است. من یک MANOVA یک طرفه را در SPSS راه اندازی کردم تا به ارتباط بین مشارکت اجتماعی (IV، 9 سطح) و عملکرد در 6 آزمون مختلف شناختی نگاه کنم. از آنجایی که IV سطوح بسیار زیادی داشت، من همچنین یک سری کنتراست های برنامه ریزی شده (معادل کنتراست های هلمرت) تنظیم کردم تا بتوانم ببینم تفاوت واقعی در کجاست. ANOVAهای کلی برای همه DVها نوار یک غیر قابل توجه بودند. با این حال، برای 3 مورد از آزمون ها، کنتراست برنامه ریزی شده یکسان معنی دار بود (01/0p<). اگر ANOVA کلی نبود، چگونه میتوان تضادهای برنامهریزیشده را بهعنوان مهم نشان داد؟ و چگونه این را گزارش کنم؟ لطفا کمک کنید! | MANOVA غیر قابل توجه با تضادهای برنامه ریزی شده قابل توجه |
56194 | من می خواهم تجزیه و تحلیل آماری را برای مقایسه نتایج اندازه های مختلف نمونه (که در حال مقایسه آنها هستم) با یکدیگر انجام دهم. با توجه به اینکه حداقل 12 نمونه برای هر اندازه نمونه دارم، فکر کردم که می توان از مجموعه داده ها برای مقایسه میانگین ها و شناسایی تفاوت های بین این مقادیر استفاده کرد. سپس فکر کردم که می توانم این کار را با استفاده از دو نمونه تست $t$ انجام دهم تا تفاوت میانگین جمعیت را تعیین کنم. سوال من این است که آیا این امکان پذیر است؟ چگونه می توانم توجیه کنم که داده ها به طور معمول توزیع شده اند تا این ویرایش را مجاز بدانم: و همچنین این عبارت صحیح است که بگوییم: > من از آزمون فرضیه برای آزمایش تفاوت در دو نمونه > جامعه استفاده کردم و اعتبار ادعای صفر را آزمایش کردم. فرضیه در مقابل فرضیه > جایگزین. من سطحی از اهمیت را تعیین کردم (مقدار $\alpha$) > فرضیه صفر را در برابر یک مقدار احتمال (مقدار $p$) آزمایش کردم. اگر مقدار من > $p$ > مقدار $\alpha$، آنگاه می توانم فرضیه صفر خود را بپذیرم. هنگامی که تهی را برای هر مجموعه داده > پذیرفتم (یا رد کردم)، سپس می توانم تست > $t$ خود را برای مقایسه میانگین های نمونه مستقل انجام دهم. آیا مقدار $p$ در آنجا صحیح است یا باید مقدار $t$ باشد؟ | آیا می توان از دو نمونه تست $t$ در اینجا استفاده کرد؟ |
110070 | من در درک اینکه توزیع یکنواخت لاگ چیست مشکل دارم. فرض کنید $\log X$ به طور یکنواخت در بازه $[1,e]$ توزیع شده است. چگونه $P(X=x)$ را توصیف کنم؟ به نظر می رسد جرم احتمال بیشتری در اعداد پایین وجود دارد به طوری که X خود به طور یکنواخت توزیع نشده است، اما من در رسمی کردن این استدلال مشکل دارم. | توزیع های یکنواخت ورود به سیستم |
93048 | من در تلاش برای یافتن چگالی احتمال برای مدت زمان انتظار هستم، اما زمان سختی را می گذرانم. Fitdistr با گاما کار نمی کند. آیا من چیزی را از دست داده ام؟ آیا تراکم دیگری وجود دارد که بهتر با این تناسب داشته باشد؟ library(MASS) wt = read.csv(http://isgeek.eu/SITN/waitingTime.csv, sep=\t, header = TRUE) hist(wt$x, prob=TRUE) # تخمین exp proba paraw <- fitdistr(wt$x,densfun=exponential) curve(dexp(x, paraw$estimate[1]), 0,1300, add=TRUE, col=blue) ks.test(wt$x, pexp, paraw$estimate[1]) # تخمین یک weilbull proba paraw <- fitdistr(wt$x[wt$x !=0],densfun=weibull) منحنی(dweibull(x, paraw$estimate[1], paraw$estimate[2]), 0,4000, add=TRUE, col=blue) ks.test(wt$x, pweibull, paraw$estimate[1], paraw$estimate[2]) # تخمین یک گاما proba paraw <- fitdistr( wt$x,densfun=gamma, list (شکل = 1، نرخ = 0.1)، پایین تر = 40) # این کار نمی کند... | چرا fitdistr با گاما کار نمی کند؟ |
32428 | من در مورد فرآیند گاوسی یاد میگیرم و فقط تکههایی شنیدهام. واقعا از نظرات و پاسخ ها ممنونم. برای هر مجموعه ای از داده ها، آیا این درست است که یک تقریب تابع فرآیند گاوسی خطای برازش صفر یا ناچیز در نقاط داده بدهد؟ در جای دیگری نیز شنیدم که فرآیند گاوسی به ویژه برای داده های پر سر و صدا خوب است. به نظر می رسد که این با خطای کم مناسب برای هر داده مشاهده شده در تضاد است؟ علاوه بر این، به نظر می رسد دورتر از نقاط داده، عدم قطعیت بیشتری وجود دارد (کوواریانس بزرگتر). اگر چنین است، آیا مانند مدل های محلی (RBF و غیره) رفتار می کند؟ در نهایت، آیا ویژگی تقریب جهانی وجود دارد؟ | فرآیند گاوسی: خواص تقریب تابع |
32397 | من سه متغیر دارم که جنبههای مختلف عملکرد را اندازهگیری میکنند که هر کدام با مقیاس 8 هستند و میخواهم با محاسبه اینها یک متغیر عملکرد جدید ایجاد کنم. من این کار را به روش زیر انجام دادم: به متغیر محاسبه در SPSS رفته و (var1+var2+var3)/3 را انتخاب کردم. داده های از دست رفته مشکلی نیست، بنابراین من مجبور نبودم چیزی یا آن را در فرمول اضافه کنم. به نظر می رسد تا این مرحله همه چیز خوب است و من فقط با انتخاب بدون اعشار اعداد کامل بین 1 تا 8 را دریافت می کنم. با این حال، وقتی آمار توصیفی این متغیر جدید را میگیرم، چندین بار همان عدد را به من میدهد. به همین دلیل، مطمئن نیستم که متغیر جدید را به درستی ایجاد کرده ام و آیا می توانم اجرای تحلیل های رگرسیون را شروع کنم | چگونه می توان میانگین امتیاز گرد شده به اعداد کامل را در SPSS ایجاد کرد؟ |
96039 | یک سری با Xt نشان داده می شود. چگونه یک مدل سری زمانی برای Xt بسازیم که «معادله میانگین» Xt باشد؟ آیا این روش دیگری برای درخواست ساخت یک سری زمانی ثابت است؟ | ساختن یک معادله به اصطلاح میانگین به چه معناست؟ |
33815 | > **تکراری احتمالی:** > چگونه یک رگرسیون می تواند مهم باشد اما همه پیش بینی کننده ها غیر قابل توجه باشند؟ X و Y همبستگی ندارند (-.01). با این حال، وقتی X را در یک رگرسیون چندگانه پیشبینی کننده Y قرار میدهم، در کنار سه متغیر (مرتبط) دیگر، X و دو متغیر دیگر پیشبینیکنندههای مهم Y هستند. توجه داشته باشید که دو متغیر دیگر به طور معناداری با Y همبستگی دارند. چگونه باید این یافتهها را تفسیر کنم. ? X واریانس منحصر به فرد را در Y پیش بینی می کند، اما از آنجایی که اینها همبستگی ندارند، تفسیر آن به نوعی دشوار است. من موارد متضاد را می شناسم (یعنی دو متغیر با هم مرتبط هستند اما رگرسیون معنی دار نیست) و درک آنها از منظر نظری و آماری نسبتاً ساده تر است. | X و Y همبستگی ندارند، اما X پیش بینی کننده مهم Y در رگرسیون چندگانه است. به چه معناست؟ |
85951 | دو تا از متغیرهای مستقل من با متغیر وابسته همبستگی دارند اما در رگرسیون چندگانه مشخص شد که پیشبینیکنندههای ناچیز مشابهی هستند. آیا ممکن است؟ و چگونه می توان این تفاوت در تفسیر داده ها را گزارش کرد؟ | متغیرها با پیشبینیکنندههای متغیر وابسته در رگرسیون چندگانه همبستگی داشتند اما معنیدار نبودند |
51219 | > هنگام نمونه گیری از یک جامعه، با افزایش حجم نمونه، میانگین نمونه همیشه به > میانگین جامعه نزدیکتر خواهد بود. چرا این گفته اشتباه است؟ توضیح من این است که با افزایش حجم نمونه، خطای استاندارد کاهش می یابد و توزیع نمونه نرمال می شود. درست میگم؟ | چرا افزایش N تضمین نمی کند که میانگین نمونه به میانگین جامعه نزدیکتر شود؟ |
32393 | مدل تحلیل رگرسیون لجستیک باینری من (روش = ENTER) دارای همه مقادیر بتا از نظر آماری غیرمعنادار است. آیا باید این پیش بینی کننده ها را در معادله نهایی رگرسیون لجستیک باینری قرار دهم؟ | مدل تحلیل رگرسیون لجستیک باینری (روش=ENTER) دارای تمام مقادیر بتا از نظر آماری غیرمعنادار است. |
38217 | > **تکراری احتمالی:** > چگونه یک رگرسیون می تواند مهم باشد اما همه پیش بینی کننده ها غیر قابل توجه باشند؟ در یک رگرسیون خطی ساده با پیشبینیکنندههای متعدد، آیا تفسیر اهمیت پیشبینیکنندههای فردی حتی اگر مدل کلی معنیدار نیست، معتبر است؟ | پیش بینی کننده معنی دار را در رگرسیون غیر معنی دار تفسیر کنید؟ |
86641 | من 1 متغیر وابسته (یک نوع رفتار) و 5 متغیر مستقل دارم. متغیرهای مستقل همگی از نظر آماری همبستگی مثبت و معناداری با DV دارند (01/0p<). با این حال، من یک تحلیل رگرسیون انجام دادم و تنها یکی از متغیرهای مستقل اکنون از نظر آماری معنادار است. پس از خواندن چند پست دیگر، من فرض می کنم که این به دلیل چند خطی بودن بین IV های من است. سوال من این است: چگونه این موضوع را در مطالعه خود گزارش کنم؟ آیا درست است که بگوییم رابطه ای صرفاً بر اساس همبستگی قابل توجه وجود دارد؟ و استدلالی در مورد چند خطی بودن به عنوان محدودیتی برای تحلیل رگرسیون من بگنجانید؟ | همبستگی معنی دار است اما رگرسیون به روز نمی شود |
114752 | ما از STL (پیاده سازی R) برای پیش بینی داده های سری زمانی استفاده می کنیم. هر روز پیش بینی های روزانه را اجرا می کنیم. ما می خواهیم مقادیر پیش بینی شده را با مقادیر واقعی مقایسه کنیم و میانگین انحراف را شناسایی کنیم. به عنوان مثال، ما پیشبینی فردا را اجرا کردیم و امتیازهای پیشبینی را گرفتیم، میخواهیم این نقاط پیشبینی را با دادههای واقعی که فردا به دست میآوریم مقایسه کنیم. من میدانم که مقادیر پیشبینیها و دادههای واقعی ممکن است اغلب اوقات با هم مطابقت نداشته باشند، این یکی از دلایلی است که ما میخواهیم میزان دقت خود را در هر روز پیگیری کنیم. اکنون ما در حال تلاش برای شناسایی بهترین روش برای حل این مشکل هستیم؟ از هر راهنمایی کمکی قدردانی می شود. من به سوال اندازه گیری دقت پیش بینی نگاه کردم، اما به نظر می رسد که به مقایسه مدل ها مربوط می شود تا محاسبه دقت با مقادیر واقعی. من به پیاده سازی تابع دقت در R نگاه کردم، اما با دو سوال اشتباه گرفتم: 1) آیا بر روی داده های واقعی در مقابل داده های پیش بینی کار می کند، زیرا بیشتر گفته های آموزشی به عنوان داده های آزمایشی در مقابل داده های پیش بینی 2) به نظر می رسد خارج از تابع دقت آرایه ای از مقادیر به جای % انحراف است. | محاسبه دقت پیش بینی |
106237 | من سعی میکنم یک GB-RBM را به گونهای از _LASA Handwriting Dataset_ اعمال کنم تا بتوانم نمونههای جدیدی تولید کنم. مجموعه داده من شامل مسیر حرکت اشکال ساده مانند اشکال 'S'، مارپیچ، اشکال 'C' و غیره است. هر حرکت با لیستی از $n$ 2D-نقطه $(x_i، y_i)_n$ نشان داده می شود. مجموعه داده نرمال شده است، به طوری که تمام مسیرها نقطه شروع و پایان یکسانی دارند که $(-1,0)$ و $(0,0)$ هستند. یک مسیر می تواند به این شکل باشد:  من هر یک از این مسیرها را به سادگی با اضافه کردن همه $ در یک بردار ادغام می کنم. اجزای x$ و $y$: $v_k = (x_1 \dots x_n, y_1 \dots y_n)$. من یک GB-RBM را بر روی این دادهها با نرخهای یادگیری مختلف، اندازههای لایه پنهان متفاوت، با واریانس آموختهشده و ثابت آموزش دادم ... فرآیند تولید تقریباً همیشه یک شکل متمایز (مارپیچ) ایجاد می کند - در حال حاضر پس از چند مرحله نمونه برداری (شروع از یک بردار تصادفی). آیا واحدهای خطی گاوس اساساً نمی توانند این نوع توزیع را به درستی یاد بگیرند؟ یا این مشکل از واحدهای پنهان باینری است؟ یا چیزی کاملا متفاوت؟ | GB-RBM قادر به یادگیری و تولید حرکات دو بعدی ساده نیست؟ |
32398 | من روی الگوریتمی کار می کنم تا یک تابع را با بهبود تکراری به حداقل برسانم، و مقدار تابع را برای هر تکرار ترسیم می کنم (نقشه کاملاً ساده). من در حال تغذیه GnuPlot یا PgfPlots یک فایل ورودی مانند: Solution 1 2.22419e+007 2.22418e+007 2.22418e+007 ... اسکریپت GnuPlot: مجموعه کلید سرصفحه ستون خودکار با خط 'data.txt' \beginsscriptg' {tikzpicture} \begin{axis}[xlabel={تکرار}، ylabel={مقادیر راهحل}] \addplot [آبی] جدول[x expr=\coordindex, y index=0] {data.txt}; \end{axis} \end{tikzpicture} در الگوریتم من گاهی اوقات یک رویداد اتفاق میافتد، یعنی برای چند بار تکرار به روش دیگری تغییر میدهم، یا باید برخی از محدودیتها را کاهش دهم زیرا نمیتوانم بهبودی حاصل کنم. من می خواهم این اتفاقات را در طرح نشان دهم. من به دنبال چیزی شبیه به این هستم (خطوط عمودی سیاه)، اما تا زمانی که معنی یکسان باشد، به گزینه های مختلف باز هستم:  بهترین راه برای نمایش وقایع در این نوع طرح ها چیست؟ چگونه می توان آن را با GnuPlot و PgfPlots انجام داد؟ | نمایش رویدادها در طرح روند |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.