Statistiques et Big Data residuals

1

Quel type d'analyse post-ajustement des résidus utilisez-vous?

Lors de la régression linéaire multiple OLS, plutôt que de tracer les résidus par rapport aux valeurs ajustées, je trace les résidus Studentized (internes) par rapport aux valeurs ajustées (idem pour les covariables). Ces résidus sont définis comme: e∗je= ejes2( 1 - hje je)---------√eje∗=ejes2(1-hjeje)\begin{equation} e^*_i = \frac{e_i}{\sqrt{s^2 (1-h_{ii})}} \end{equation} où …

10 regression residuals diagnostic

2

Pourquoi utilisons-nous des résidus pour tester les hypothèses sur les erreurs de régression?

Supposons que nous ayons un modèle .Yi=β0+β1Xi1+β2Xi2+⋯+βkXik+ϵiYi=β0+β1Xi1+β2Xi2+⋯+βkXik+ϵiY_i = \beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + \dots + \beta_kX_{ik} + \epsilon_i La régression a un certain nombre d'hypothèses, telles que les erreurs devraient être normalement distribuées avec un zéro moyen et une variance constante. On m'a appris à vérifier ces hypothèses en …

10 regression residuals error

1

Différence entre Outlier et Inlier

Je suis tombé sur le terme inlier dans la mesure LOF (Local Outlier Factor), je connais bien le terme de valeurs aberrantes (enfin essentiellement des menteurs - des instances qui ne se comportent pas comme les autres instances). Que signifie «Inliers» dans le contexte de la détection d'anomalies? et comment …

10 residuals outliers anomaly-detection

1

Est-ce que les résidus étudiés sont des résidus standardisés v / s dans le modèle lm

Les «résidus étudiés» et les «résidus standardisés» sont-ils les mêmes dans les modèles de régression? J'ai construit un modèle de régression linéaire dans R et je voulais tracer le graphique des valeurs ajustées v / s des résidus Studentized, mais je n'ai pas trouvé de moyen automatisé de le faire …

10 r regression residuals terminology

3

Bootstrap résiduels: est-ce que je le fais bien?

Tout d'abord: D'après ce que j'ai compris, les résidus d'amorçage fonctionnent comme suit: Adapter le modèle aux données Calculez les résidus Rééchantillonnez les résidus et ajoutez-les à 1. Ajuster le modèle au nouvel ensemble de données à partir de 3. Répétez les ntemps, mais ajoutez toujours les résidus rééchantillonnés à …

10 time-series matlab bootstrap residuals

2

Distribution asymétrique gauche vs symétrique observée

C'est assez difficile à décrire pour moi, mais je vais essayer de rendre mon problème compréhensible. Donc, vous devez d'abord savoir que j'ai fait une régression linéaire très simple jusqu'à présent. Avant d'estimer le coefficient, j'ai regardé la distribution de mon . Il est lourd gauche asymétrique. Après avoir estimé …

10 regression residuals skewness

3

Régression des résidus de régression logistique sur d'autres régresseurs

Avec la régression OLS appliquée à la réponse continue, on peut construire l'équation de régression multiple en exécutant séquentiellement des régressions des résidus sur chaque covariable. Ma question est, existe-t-il un moyen de le faire avec la régression logistique via les résidus de régression logistique ? Pr(Y=1|x,z)Pr(Y=1|x,z)\Pr(Y = 1 | …

9 regression logistic residuals

4

Est-il possible de décomposer les résidus ajustés en biais et variance, après avoir ajusté un modèle linéaire?

Je voudrais classer les points de données comme ayant besoin d'un modèle plus complexe ou n'ayant pas besoin d'un modèle plus complexe. Ma pensée actuelle est d'adapter toutes les données à un modèle linéaire simple et d'observer la taille des résidus pour faire cette classification. J'ai ensuite fait quelques lectures …

9 regression multiple-regression residuals bias-variance-tradeoff

2

Comment les résidus sont-ils liés aux perturbations sous-jacentes?

Dans la méthode des moindres carrés, nous voulons estimer les paramètres inconnus dans le modèle: Yj=α+βxj+εj(j=1...n)Yj=α+βxj+εj(j=1...n)Y_j = \alpha + \beta x_j + \varepsilon_j \enspace (j=1...n) Une fois que nous avons fait cela (pour certaines valeurs observées), nous obtenons la droite de régression ajustée: Yj=α^+β^x+ej(j=1,...n)Yj=α^+β^x+ej(j=1,...n)Y_j = \hat{\alpha} + \hat{\beta}x +e_j \enspace …

9 regression least-squares residuals heteroscedasticity assumptions

2

Pourquoi les résidus de Pearson d'une régression binomiale négative sont-ils plus petits que ceux d'une régression de poisson?

J'ai ces données: set.seed(1) predictor <- rnorm(20) set.seed(1) counts <- c(sample(1:1000, 20)) df <- data.frame(counts, predictor) J'ai couru une régression de poisson poisson_counts <- glm(counts ~ predictor, data = df, family = "poisson") Et une régression binomiale négative: require(MASS) nb_counts <- glm.nb(counts ~ predictor, data = df) Ensuite, j'ai calculé …

9 generalized-linear-model residuals negative-binomial poisson-regression dispersion

1

Pourquoi la corrélation des résidus n'a-t-elle pas d'importance lors des tests de normalité?

Lorsque (c'est-à-dire que provient d'un modèle de régression linéaire), \ varepsilon \ sim \ mathcal {N} (0, \ sigma ^ 2 I) \ hspace {1em} \ Rightarrow \ hspace {1em} \ hat {e} = (I - H) Y \ sim \ mathcal {N} (0, (I - H) \ sigma ^ …

9 regression residuals non-independent

2

Corrélation entre les catégories entre les variables nominales catégorielles

J'ai un ensemble de données avec deux variables nominales catégorielles (les deux avec 5 catégories). Je voudrais savoir si (et comment) je suis capable d'identifier des corrélations potentielles entre les catégories de ces deux variables. En d'autres termes, si par exemple les résultats de la catégorie dans la variable 1 …

9 correlation residuals contingency-tables categorical-data

4

Quand utiliser la régression non paramétrique?

J'utilise PROC GLM dans SAS pour ajuster une équation de régression de la forme suivante Oui= b0+ b1X1+ b2X2+ b3X3+ b4tOui=b0+b1X1+b2X2+b3X3+b4t Y = b_0 + b_1X_1 + b_2X_2 + b_3X_3 + b_4t Le tracé QQ des résidus rouges résultants indique un écart par rapport à la normalité. Toute transformation de …

9 regression multiple-regression nonparametric residuals sas

1

Comment comprendre le résidu standardisé dans l'analyse de régression?

Selon l' analyse de régression par exemple , le résidu est la différence entre la réponse et la valeur prédite, puis il est dit que chaque résidu a une variance différente, nous devons donc considérer des résidus normalisés. Mais la variance concerne un groupe de valeurs, comment une seule valeur …

9 regression residuals

2

Pourquoi R trace-t-il des résidus standardisés contre des quantiles théoriques dans un tracé QQ?

Dans R, pourquoi les paramètres par défaut qqplot(linear model)utilisent-ils les résidus normalisés sur l'axe des y? Pourquoi R n'utilise-t-il pas les résidus "réguliers"?

9 r regression linear-model residuals qq-plot

Questions marquées «residuals»