Questions marquées «multivariate-analysis»

Analyses où il y a plus d'une variable analysée ensemble à la fois, et ces variables sont soit dépendantes (réponse) soit les seules dans l'analyse. Cela peut être contrasté avec une analyse "multiple" ou "multivariable", qui implique plus d'une variable prédictive (indépendante).

2
Analyse de corrélation canonique avec corrélation de rang
L'analyse de corrélation canonique (ACC) vise à maximiser la corrélation produit-moment de Pearson habituelle (c.-à-d. Le coefficient de corrélation linéaire) des combinaisons linéaires des deux ensembles de données. Maintenant, considérons le fait que ce coefficient de corrélation ne mesure que les associations linéaires - c'est la raison même pour laquelle …
4
Quel est l'intérêt d'une régression univariée avant une régression multivariée?
Je travaille actuellement sur un problème dans lequel nous avons un petit ensemble de données et nous nous intéressons à l'effet de causalité d'un traitement sur le résultat. Mon conseiller m'a demandé d'effectuer une régression univariée sur chaque prédicteur avec le résultat comme réponse, puis l'affectation de traitement comme réponse. …
2
Dériver la distribution bivariée de Poisson
J'ai récemment rencontré la distribution bivariée de Poisson, mais je suis un peu confus quant à la façon de la dériver. La distribution est donnée par: P(X=x,Y=y)=e−(θ1+θ2+θ0)θx1x!θy2y!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X=x,Y=y)=e−(θ1+θ2+θ0)θ1xx!θ2yy!∑i=0min(x,y)(xi)(yi)i!(θ0θ1θ2)iP(X = x, Y = y) = e^{-(\theta_{1}+\theta_{2}+\theta_{0})} \displaystyle\frac{\theta_{1}^{x}}{x!}\frac{\theta_{2}^{y}}{y!} \sum_{i=0}^{min(x,y)}\binom{x}{i}\binom{y}{i}i!\left(\frac{\theta_{0}}{\theta_{1}\theta_{2}}\right)^{i} D'après ce que je peux comprendre, le terme θ0θ0\theta_{0} est une mesure de corrélation …
3
Formule de probabilité pour une distribution bernoulli multivariée
J'ai besoin d'une formule pour la probabilité d'un événement dans une distribution de Bernoulli à n variables X∈{0,1}nX∈{0,1}nX\in\{0,1\}^n avec des probabilités P(Xi=1)=piP(Xi=1)=piP(X_i=1)=p_i pour un seul élément et pour des paires d'éléments P(Xi=1∧Xj=1)=pijP(Xi=1∧Xj=1)=pijP(X_i=1 \wedge X_j=1)=p_{ij} . Je pourrais vous donner de manière équivalente moyenne et covariance de XXX . J'ai déjà …
5
Réduction de dimensionnalité SVD pour des séries temporelles de différentes longueurs
J'utilise la décomposition en valeurs singulières comme technique de réduction de dimensionnalité. Étant donné des Nvecteurs de dimension D, l'idée est de représenter les entités dans un espace transformé de dimensions non corrélées, qui condense la plupart des informations des données dans les vecteurs propres de cet espace dans un …
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.