Questions marquées «estimation»

Cette balise est trop générale; veuillez fournir une balise plus spécifique. Pour les questions sur les propriétés d'estimateurs spécifiques, utilisez plutôt la balise [estimateurs].

3
Comment obtenir l'intervalle de confiance sur le changement du carré de la population
Pour un exemple simple, supposons qu'il existe deux modèles de régression linéaire Modèle 1 a trois prédicteurs, x1a, x2betx2c Le modèle 2 a trois prédicteurs du modèle 1 et deux prédicteurs supplémentaires x2aetx2b Il existe une équation de régression de la population où la variance de la population expliquée est …
1
Distribution à long terme des événements temporels
Supposons que vous ayez les journaux d'un serveur Web. Dans ces journaux, vous avez des tuples de ce type: user1, timestamp1 user1, timestamp2 user1, timestamp3 user2, timestamp4 user1, timestamp5 ... Ces horodatages représentent par exemple les clics des utilisateurs. Maintenant, user1vous visiterez le site plusieurs fois (sessions) au cours du …
1
Pourquoi Anova () et drop1 () ont-ils fourni des réponses différentes pour les GLMM?
J'ai un GLMM du formulaire: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Lorsque j'utilise drop1(model, test="Chi"), j'obtiens des résultats différents de ceux que j'utilise à Anova(model, type="III")partir du package de voiture ou summary(model). Ces deux derniers donnent les mêmes réponses. En utilisant un …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
1
La moyenne de l'échantillon est-elle la «meilleure» estimation de la moyenne de distribution dans un certain sens?
Par la loi (faible / forte) des grands nombres, étant donné certains points d'échantillonnage iid d'une distribution, leur moyenne d'échantillon converge vers la moyenne de distribution en probabilité et en tant que taille d'échantillon va à l'infini.{xi∈Rn,i=1,…,N}{xi∈Rn,i=1,…,N}\{x_i \in \mathbb{R}^n, i=1,\ldots,N\}f∗({xi,i=1,…,N}):=1N∑Ni=1xif∗({xi,i=1,…,N}):=1N∑i=1Nxif^*(\{x_i, i=1,\ldots,N\}):=\frac{1}{N} \sum_{i=1}^N x_i NNN Lorsque la taille de l'échantillon est …
3
Probabilité d'un événement non mesurable
Nous savons par la théorie de la mesure qu'il existe des événements qui ne peuvent pas être mesurés, c'est-à-dire qu'ils ne sont pas mesurables par Lebesgue. Comment appelons-nous un événement avec une probabilité que la mesure de probabilité ne soit pas définie? Quels types de déclarations ferions-nous à propos d'un …
2
Conditions pour que l'estimateur M converge vers la vraie moyenne
Étant donné des échantillons iid d'une distribution gaussienne et de l'estimateur M, , quelles propriétés sur sont suffisantes pour garantir la ? Est étant strictement convexe et strictement croissante suffisante?X1,...,Xn∼N(μ,σ)X1,...,Xn∼N(μ,σ)X_1,...,X_n \sim N(\mu,\sigma) μm=argmina∑ρ(|Xi−a|)μm=argmina∑ρ(|Xi−a|)\mu_m = \underset{a}{\operatorname{argmin}} \sum\rho(|X_i-a|)ρρ\rhoμm→μμm→μ\mu_m \rightarrow \muρρ\rho
10 estimation 
3
Comment estimer les paramètres de la distribution tronquée Zipf à partir d'un échantillon de données?
J'ai un problème avec le paramètre d'estimation pour Zipf. Ma situation est la suivante: J'ai un jeu d'échantillons (mesuré à partir d'une expérience qui génère des appels qui devraient suivre une distribution Zipf). Je dois démontrer que ce générateur génère vraiment des appels avec la distribution zipf. J'ai déjà lu …
3
Estimation du modèle exponentiel
Un modèle exponentiel est un modèle décrit par l'équation suivante: yi^=β0⋅eβ1x1i+…+βkxkiyi^=β0⋅eβ1x1i+…+βkxki\hat{y_{i}}=\beta_{0}\cdot e^{\beta_{1}x_{1i}+\ldots+\beta_{k}x_{ki}} L'approche la plus couramment utilisée pour estimer un tel modèle est la linéarisation, qui peut être effectuée facilement en calculant les logarithmes des deux côtés. Quelles sont les autres approches? Je suis particulièrement intéressé par ceux qui peuvent …
1
Estimateur non biaisé avec variance minimale pour
Soit un échantillon aléatoire issu d'une distribution pour . C'est à dire,X1,...,XnX1,...,Xn X_1, ...,X_nGeometric(θ)Geometric(θ)Geometric(\theta)0&lt;θ&lt;10&lt;θ&lt;10<\theta<1 pθ(x)=θ(1−θ)x−1I{1,2,...}(x)pθ(x)=θ(1−θ)x−1I{1,2,...}(x)p_{\theta}(x)=\theta(1-\theta)^{x-1} I_{\{1,2,...\}}(x) Trouver l'estimateur sans biais avec la variance minimale pourg(θ)=1θg(θ)=1θg(\theta)=\frac{1}{\theta} Ma tentative: Comme la distribution géométrique est de la famille exponentielle, les statistiques sont complètes et suffisantes pour . De plus, si est un estimateur …
3
Estimation du paramètre d'une distribution uniforme: a priori incorrect?
Nous avons N échantillons, , d'une distribution uniforme où est inconnue. Estimer partir des données.XiXiX_i[0,θ][0,θ][0,\theta]θθ\thetaθθ\theta Donc, la règle de Bayes ... f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(\theta | {X_i}) = \frac{f({X_i}|\theta)f(\theta)}{f({X_i})} et la probabilité est: f(Xi|θ)=∏Ni=11θf(Xi|θ)=∏i=1N1θf({X_i}|\theta) = \prod_{i=1}^N \frac{1}{\theta} (edit: quand pour tout , et 0 sinon - merci whuber)0≤Xi≤θ0≤Xi≤θ0 \le X_i \le \thetaiii mais …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.