Statistiques et Big Data regression

1

Comment traiter les données manquantes lors de l'utilisation de splines ou de polynômes fractionnaires?

Je lis Multivariable Model Building: A Pragmatic Approach to Regression Analysis Based on Fractional Polynomials for Modeling Continuous Variables par Patrick Royston et Willie Sauerbrei. Jusqu'à présent, je suis impressionné et c'est une approche intéressante que je n'avais pas envisagée auparavant. Mais les auteurs ne traitent pas des données manquantes. …

12 regression missing-data fractional-polynomial

2

Est-ce mal de choisir des fonctionnalités basées sur la valeur de p?

Il existe plusieurs articles sur la façon de sélectionner des fonctionnalités. L'une des méthodes décrit l'importance des fonctionnalités sur la base des statistiques t. Dans R varImp(model)appliqué sur un modèle linéaire avec des caractéristiques normalisées , la valeur absolue de la statistique t pour chaque paramètre du modèle est utilisée. …

12 regression p-value feature-selection

2

La descente en gradient ne trouve pas de solution aux moindres carrés ordinaires sur cet ensemble de données?

J'ai étudié la régression linéaire et je l'ai essayée sur l'ensemble ci-dessous {(x, y)}, où x spécifiait la superficie de la maison en pieds carrés et y spécifiait le prix en dollars. Ceci est le premier exemple dans Andrew Ng Notes . 2104,400 1600,330 2400,369 1416,232 3000,540 J'ai développé un …

12 regression least-squares gradient-descent supervised-learning

2

Comment résoudre la moindre déviation absolue par la méthode simplex?

Voici le problème d'écart le moins absolu sous concerné:. Je sais qu'il peut être réorganisé comme problème LP de la manière suivante:argminwL(w)=∑ni=1|yi−wTx|arg⁡minwL(w)=∑i=1n|yi−wTx| \underset{\textbf{w}}{\arg\min} L(w)=\sum_{i=1}^{n}|y_{i}-\textbf{w}^T\textbf{x}| min∑ni=1uimin∑i=1nui\min \sum_{i=1}^{n}u_{i} ui≥xTw−yii=1,…,nui≥xTw−yii=1,…,nu_i \geq \textbf{x}^T\textbf{w}- y_{i} \; i = 1,\ldots,n ui≥−(xTw−yi)i=1,…,nui≥−(xTw−yi)i=1,…,nu_i \geq -\left(\textbf{x}^T\textbf{w}-y_{i}\right) \; i = 1,\ldots,n Mais je n'ai aucune idée de le résoudre étape …

12 regression optimization quantile-regression linear-programming least-absolute-deviations

2

«Moindres carrés» et «Régression linéaire», sont-ils synonymes?

Quelle est la différence entre les moindres carrés et la régression linéaire? Est-ce la même chose?

12 regression least-squares terminology

3

Régression modérée: pourquoi calculons-nous un terme * produit * entre les prédicteurs?

Les analyses de régression modérée sont souvent utilisées en sciences sociales pour évaluer l'interaction entre deux ou plusieurs prédicteurs / covariables. En règle générale, avec deux variables prédictives, le modèle suivant est appliqué: Y=β0+β1∗X+β2∗M+β3∗XM+eY=β0+β1∗X+β2∗M+β3∗XM+eY = β_0 + β_1*X + β_2*M + β_3*XM + e Notez que le test de modération …

12 regression interaction

1

Intuition pour les degrés de liberté du LASSO

Zou et al. "Sur les" degrés de liberté "du lasso" (2007) montrent que le nombre de coefficients non nuls est une estimation non biaisée et cohérente des degrés de liberté du lasso. Cela me semble un peu contre-intuitif. Supposons que nous ayons un modèle de régression (où les variables sont …

12 regression lasso degrees-of-freedom shrinkage

3

Qu'est-ce qu'un exemple de multicolinéarité parfaite?

Quel est un exemple de colinéarité parfaite en termes de matrice de conception XXX ? Je voudrais un exemple où β = ( X ' X ) - 1 X ' Y ne peut pas être estimée parce que ( X ' X ) n'est pas inversible.β^=(X′X)−1X′Yβ^=(X′X)−1X′Y\hat \beta = (X'X)^{-1}X'Y(X′X)(X′X)(X'X)

12 regression multicollinearity matrix matrix-inverse

3

L'hypothèse d'erreurs normales implique-t-elle que Y est également normal?

Sauf erreur, dans un modèle linéaire, la distribution de la réponse est supposée avoir une composante systématique et une composante aléatoire. Le terme d'erreur capture la composante aléatoire. Par conséquent, si nous supposons que le terme d'erreur est normalement distribué, cela n'implique-t-il pas que la réponse est également normalement distribuée? …

12 regression assumptions

1

Comment gérer la surdispersion dans la régression de Poisson: quasi-vraisemblance, GLM binomial négatif ou effet aléatoire au niveau du sujet?

J'ai rencontré trois propositions pour traiter la surdispersion dans une variable de réponse de Poisson et un modèle de départ à effets fixes: Utilisez un quasi modèle; Utiliser un GLM binomial négatif; Utilisez un modèle mixte avec un effet aléatoire au niveau du sujet. Mais lequel choisir réellement et pourquoi? …

12 regression negative-binomial poisson-regression overdispersion quasi-likelihood

2

Régression lorsque chaque point a sa propre incertitude en

J'ai fait mesures de deux variables x et y . Ils ont tous deux des incertitudes connues σ x et σ y qui leur sont associées. Je veux trouver la relation entre x et y . Comment puis-je le faire?nnnXxxyyyσXσx\sigma_xσyσy\sigma_yXxxyyy EDIT : chaque a un σ x différent , i …

12 r regression deming-regression

2

Quand la régression logistique est-elle appropriée?

J'apprends actuellement moi-même comment faire la classification, et plus précisément, j'examine trois méthodes: les machines à vecteurs de support, les réseaux de neurones et la régression logistique. Ce que j'essaie de comprendre, c'est pourquoi la régression logistique fonctionnerait mieux que les deux autres. D'après ma compréhension de la régression logistique, …

12 regression machine-learning logistic classification regression-strategies

1

Quelle est la façon la plus appropriée de transformer des proportions lorsqu'elles sont une variable indépendante?

Je pensais avoir compris ce problème, mais maintenant je ne suis pas aussi sûr et je voudrais vérifier avec les autres avant de continuer. J'ai deux variables, Xet Y. Yest un rapport, et il n'est pas limité par 0 et 1 et est généralement distribué normalement. Xest une proportion, délimitée …

12 r regression data-transformation nonlinear-regression proportion

2

Matrice de covariance mal conditionnée dans la régression GP pour l'optimisation bayésienne

Contexte et problème J'utilise des processus gaussiens (GP) pour la régression et l'optimisation bayésienne subséquente (BO). Pour la régression, j'utilise le paquet gpml pour MATLAB avec plusieurs modifications personnalisées, mais le problème est général. C'est un fait bien connu que lorsque deux entrées d'apprentissage sont trop proches dans l'espace d'entrée, …

12 regression covariance-matrix gaussian-process bayesian-optimization

1

Valeur attendue de , le coefficient de détermination, sous l'hypothèse nulle

Je suis curieux de la déclaration faite au bas de la première page de ce texte concernant l' ajustementR2adjustedRadjusted2R^2_\mathrm{adjusted} R2adjusted=1−(1−R2)(n−1n−m−1).Radjusted2=1−(1−R2)(n−1n−m−1).R^2_\mathrm{adjusted} =1-(1-R^2)\left({\frac{n-1}{n-m-1}}\right). Le texte dit: La logique de l'ajustement est la suivante: en régression multiple ordinaire, un prédicteur aléatoire explique en moyenne une proportion 1/(n–1)1/(n–1)1/(n – 1) de la variation de …

12 regression expected-value goodness-of-fit r-squared

Questions marquées «regression»