Questions marquées «r»

Je comprends le concept de mise à l'échelle de la matrice de données à utiliser dans un modèle de régression linéaire. Par exemple, dans R, vous pouvez utiliser: scaled.data <- scale(data, scale=TRUE) Ma seule question est, pour les nouvelles observations pour lesquelles je veux prédire les valeurs de sortie, comment …

13 r  regression  prediction  scales 

J'ai lu sur le test t de Student, mais il semble fonctionner lorsque nous pouvons supposer que les distributions d'origine sont normalement distribuées. Dans mon cas, ils ne le sont certainement pas. De plus, si j'ai 13 distributions, dois-je faire des 13^2tests?

13 r  hypothesis-testing  distributions 

Je travaille dans R grâce à un excellent tutoriel PCA par Lindsay I Smith et je suis coincé dans la dernière étape. Le script R ci-dessous nous amène à l'étape (à la p.19) où les données originales sont reconstruites à partir de la composante principale (singulière dans ce cas), ce …

13 r  pca 

J'utilise la bibliothèque R 'multcomp' ( http://cran.r-project.org/web/packages/multcomp/ ) pour calculer le test de Dunnett. J'utilise le script ci-dessous: Group <- factor(c("A","A","B","B","B","C","C","C","D","D","D","E","E","F","F","F")) Value <- c(5,5.09901951359278,4.69041575982343,4.58257569495584,4.79583152331272,5,5.09901951359278,4.24264068711928,5.09901951359278,5.19615242270663,4.58257569495584,6.16441400296898,6.85565460040104,7.68114574786861,7.07106781186548,6.48074069840786) data <- data.frame(Group, Value) aov <- aov(Value ~ Group, data) summary(glht(aov, linfct=mcp(Group="Dunnett"))) Maintenant, si j'exécute ce script plusieurs fois dans la console R, j'obtiens à chaque …

13 r  multiple-comparisons 

J'ai effectué une régression multiple dans laquelle le modèle dans son ensemble est significatif et explique environ 13% de la variance. Cependant, je dois trouver la quantité de variance expliquée par chaque prédicteur significatif. Comment puis-je faire cela en utilisant R? Voici quelques exemples de données et de code: D …

13 r  regression  variance 

Dans R (2.15.2), j'ai monté une fois un ARIMA (3,1,3) sur une série temporelle et une fois un ARMA (3,3) sur la série temporelle une fois différenciée. Les paramètres ajustés diffèrent, ce que j'ai attribué à la méthode d'ajustement dans ARIMA. De plus, l'ajustement d'un ARIMA (3,0,3) sur les mêmes …

13 r  time-series  arima  fitting  arma 

J'ai travaillé sur un modèle logistique et j'ai des difficultés à évaluer les résultats. Mon modèle est un logit binomial. Mes variables explicatives sont: une variable catégorielle à 15 niveaux, une variable dichotomique et 2 variables continues. Mon N est grand> 8000. J'essaie de modéliser la décision des entreprises d'investir. …

13 r  logistic  goodness-of-fit  roc 

Est-il possible d'effectuer une analyse de puissance pour le test Kruskal-Wallis et Mann-Whitney U? Si oui, existe-t-il des packages / fonctions R qui l'exécutent?

13 r  nonparametric  power-analysis  kruskal-wallis 

J'ai dirigé un glm.nb par glm1<-glm.nb(x~factor(group)) avec groupe étant une catégorie et x une variable métrique. Lorsque j'essaie d'obtenir le résumé des résultats, j'obtiens des résultats légèrement différents, selon que j'utilise summary()ou summary.glm. summary(glm1)Donne moi ... Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.1044 0.1519 0.687 0.4921 factor(gruppe)2 0.1580 …

13 r  generalized-linear-model  negative-binomial 

J'ai les résultats du même test appliqués à deux échantillons indépendants: x <- c(17, 12, 13, 16, 9, 19, 21, 12, 18, 17) y <- c(10, 6, 15, 9, 8, 11, 8, 16, 13, 7, 5, 14) Et je veux calculer un test de somme de rang de Wilcoxon. Lorsque …

13 r  wilcoxon-mann-whitney  wilcoxon-signed-rank 

Pour les données distribuées approximativement normalement, les boîtes à moustaches sont un excellent moyen de visualiser rapidement la médiane et la répartition des données, ainsi que la présence de valeurs aberrantes. Cependant, pour les distributions plus lourdes, de nombreux points sont indiqués comme des valeurs aberrantes, car les valeurs aberrantes …

13 r  distributions  data-visualization  data-transformation  ggplot2 

J'ai un ensemble de valeurs xxx et yyy qui sont théoriquement liées de façon exponentielle: y=axby=axby = ax^b Une façon d'obtenir les coefficients consiste à appliquer des logarithmes naturels des deux côtés et à ajuster un modèle linéaire: > fit <- lm(log(y)~log(x)) > a <- exp(fit$coefficients[1]) > b <- fit$coefficients[2] …

13 r  regression  linear-model  model-selection  nonlinear-regression 

J'utilise package R lavaan pour estimer un modèle d'équation structurelle. Disons que le modèle se compose de 1 variable manifeste endogène avec 1 variable explicative latente et 2 variables explicites manifestes: group = {0,1} attitude1 = latent,scale age = respondent's age Le modèle de lave souhaité est alors (ne fonctionne …

13 r  interaction  sem  lavaan 

Éditer J'ai trouvé un document décrivant exactement la procédure dont j'ai besoin. La seule différence est que le papier interpole les données moyennes mensuelles au quotidien, tout en préservant les moyennes mensuelles. J'ai du mal à mettre en œuvre l'approche en R. Tous les indices sont appréciés. Original Pour chaque …

13 r  time-series  interpolation 

J'ai exécuté PCA sur 25 variables et sélectionné les 7 meilleurs PC utilisant prcomp. prc <- prcomp(pollutions, center=T, scale=T, retx=T) J'ai ensuite fait une rotation varimax sur ces composants. varimax7 <- varimax(prc$rotation[,1:7]) Et maintenant, je souhaite faire pivoter varimax les données pivotées par PCA (car elles ne font pas partie …

13 r  pca  factor-rotation