Questions marquées «regression-coefficients»

Les paramètres d'un modèle de régression. Le plus souvent, les valeurs par lesquelles les variables indépendantes seront multipliées pour obtenir la valeur prédite de la variable dépendante.

2
Clarté en écartant le coefficient des moindres carrés
Supposons que je veuille régresser contre un X normalisé , mais je voudrais une solution clairsemée. Après la régression, pourquoi la suppression des coefficients de moindre ampleur n'est-elle pas autorisée?YYYXXX Pour mémoire, j'ai entendu parler des méthodes LARS et LASSO et je les utilise souvent. Je suis simplement curieux de …
1
Récupération des coefficients bruts et des variances de la régression polynomiale orthogonale
Il semble que si j'ai un modèle de régression tel que yi∼β0+β1xi+β2x2i+β3x3iyi∼β0+β1xi+β2xi2+β3xi3y_i \sim \beta_0 + \beta_1 x_i+\beta_2 x_i^2 +\beta_3 x_i^3Je peux soit adapter un polynôme brut et obtenir des résultats peu fiables, soit ajuster un polynôme orthogonal et obtenir des coefficients qui n'ont pas d'interprétation physique directe (par exemple, je …
3
Modèle conjoint avec termes d'interaction et régressions distinctes pour une comparaison de groupe
Après avoir recueilli de précieux commentaires sur les questions et discussions précédentes, j'ai posé la question suivante: Supposons que le but est de détecter les différences d'effet entre deux groupes, hommes vs femmes par exemple. Il y a deux façons de procéder: exécuter deux régressions distinctes pour les deux groupes …
5
Comment effectuer l'imputation de valeurs dans un très grand nombre de points de données?
J'ai un très grand ensemble de données et il manque environ 5% de valeurs aléatoires. Ces variables sont corrélées entre elles. L'exemple de jeu de données R suivant n'est qu'un exemple de jouet avec des données corrélées factices. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = …
12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 
1
Comment interpréter un coefficient de régression linéaire négatif pour une variable de résultat enregistrée?
J'ai un modèle de régression linéaire où la variable dépendante est enregistrée et une variable indépendante est linéaire. Le coefficient de pente pour une variable indépendante clé est négatif: . Je ne sais pas comment interpréter.−.0564−.0564-.0564 Dois-je utiliser la valeur absolue puis la transformer en un négatif comme ceci: (exp(0.0564)−1)⋅100=5.80(exp⁡(0.0564)−1)⋅100=5.80(\exp(0.0564)-1) …
1
R / mgcv: Pourquoi les produits tenseurs te () et ti () produisent-ils des surfaces différentes?
Le mgcvpackage pour Ra deux fonctions pour ajuster les interactions des produits tensoriels: te()et ti(). Je comprends la division de base du travail entre les deux (ajustement d'une interaction non linéaire vs décomposition de cette interaction en effets principaux et interaction). Ce que je ne comprends pas, c'est pourquoi te(x1, …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
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.