regression पर टैग किए गए जवाब

यह प्रश्न यहाँ टिप्पणियों में लंबी चर्चा से प्रेरित है: रैखिक प्रतिगमन सामान्य वितरण का उपयोग कैसे करता है? सामान्य रेखीय प्रतिगमन मॉडल में, सादगी के लिए यहां केवल एक भविष्यवक्ता के साथ लिखा गया है: जहां ज्ञात स्थिरांक हैं और शून्य-मतलब स्वतंत्र त्रुटि शब्द हैं। यदि हम इसके अलावा …

13 regression  normal-distribution  mathematical-statistics  maximum-likelihood  least-squares 

आंशिक एफ-स्टेटिस्टिक क्या है? क्या यह आंशिक एफ-टेस्ट के समान है? आप आंशिक F-आंकड़े की गणना कब करेंगे? मैं मान रहा हूँ कि यह प्रतिगमन मॉडल की तुलना करने के साथ कुछ करना है, लेकिन मैं कुछ का पालन नहीं कर रहा हूँ (?)

13 regression  multiple-regression 

मैं कुछ शोध के लिए एरर इन वैरिएबल मॉडल के लिए कुछ सिंटैटिक डेटा पर काम कर रहा हूं। वर्तमान में मेरे पास एक एकल स्वतंत्र चर है, और मैं मान रहा हूं कि मैं आश्रित चर के सही मूल्य के लिए विचरण जानता हूं। इसलिए, इस जानकारी के साथ, …

13 regression  matlab  unbiased-estimator  errors-in-variables 

मॉडल , हम सामान्य समीकरण का उपयोग करके का अनुमान लगा सकते हैंy=Xβ+ϵy=Xβ+ϵ{y} = X \beta + \epsilonββ\beta β^=(X′X)−1X′y,β^=(X′X)−1X′y,\hat{\beta} = (X'X)^{-1}X'y, और हमy^=Xβ^.y^=Xβ^.\hat{y} = X \hat{\beta}. अवशिष्ट के सदिश द्वारा अनुमान लगाया जाता है ϵ^=y−Xβ^=(I−X(X′X)−1X′)y=Qy=Q(Xβ+ϵ)=Qϵ,ϵ^=y−Xβ^=(I−X(X′X)−1X′)y=Qy=Q(Xβ+ϵ)=Qϵ,\hat{\epsilon} = y - X \hat{\beta} = (I - X (X'X)^{-1} X') y = Q y …

13 regression  least-squares  inference 

प्रतिगमन करते समय यदि हम परिभाषा से जाते हैं: आंशिक संभावना, प्रोफाइल संभावना और सीमांत संभावना के बीच क्या अंतर है? वह, अधिकतम संभावना का पता लगाएं β और β जो अधिकतम L (θ, Lik | डेटा) को बढ़ाता है। जबकि, सीमांत संभावना हम इस तथ्य का दोहन करके संभावना …

13 regression  maximum-likelihood 

मैं एक Shapiro Wilk W परीक्षण करना चाहता हूँ और Kolmogorov-Smirnov परीक्षण एक रेखीय मॉडल के अवशिष्ट पर सामान्यता की जाँच करने के लिए। मैं बस सोच रहा था कि इसके लिए कौन से अवशिष्ट का उपयोग किया जाना चाहिए - कच्चे अवशिष्ट, पियर्सन अवशिष्ट, छात्र अवशिष्ट या मानकीकृत अवशिष्ट? …

13 r  regression  residuals  normality-assumption  lm 

सामान्य तौर पर, मैं सोच रहा हूं कि उच्च क्रम वाले चर के साथ एक प्रतिगमन को फिट करते समय ऑर्थोगोनल पॉलीओनियम्स का उपयोग करना बेहतर नहीं है। विशेष रूप से, मैं आर के उपयोग के साथ सोच रहा हूं: तो poly()साथ raw = FALSEके रूप में ही फिट मूल्यों …

13 r  regression  polynomial 

पृष्ठभूमि मैं फिटिंग मॉडलों पर एक कोर्स में पहला उदाहरण समझने की कोशिश कर रहा हूं (इसलिए यह बहुत सरल लग सकता है)। मैंने हाथ से गणना की है और वे उदाहरण से मेल खाते हैं, लेकिन जब मैं उन्हें आर में दोहराता हूं, तो मॉडल गुणांक बंद हो जाते …

13 r  regression  self-study  lm 

मैं पीएलएस प्रतिगमन (एकल ) की मान्यताओं के बारे में जानकारी खोजने की कोशिश कर रहा हूं । मैं विशेष रूप से पीएलएस की मान्यताओं की तुलना में ओएलएस प्रतिगमन के संबंध में रुचि रखता हूं। yyy मैंने पीएलएस के विषय पर साहित्य का एक बड़ा भाग पढ़ा / स्किम्ड …

13 regression  assumptions  partial-least-squares 

मैं रेखीय प्रतिगमन मॉडल में उपयोग करने के लिए डेटा मैट्रिक्स को स्केल करने की अवधारणा को समझता हूं। उदाहरण के लिए, R में आप उपयोग कर सकते हैं: scaled.data <- scale(data, scale=TRUE) मेरा एकमात्र प्रश्न यह है कि नई टिप्पणियों के लिए, जिनके लिए मैं आउटपुट मानों की भविष्यवाणी …

13 r  regression  prediction  scales 

अवरोधन शब्द ( ) की मानक त्रुटि में जहां है का मतलब है ।y=β1एक्स+β0+εएसई( β 0)2=σ2[1β^0β^0\hat{\beta}_0y=β1x+β0+εy=β1x+β0+εy=\beta_1x+\beta_0+\varepsilonixxiSE(β^0)2=σ2[1n+x¯2∑ni=1(xi−x¯)2]SE(β^0)2=σ2[1n+x¯2∑i=1n(xi−x¯)2]SE(\hat{\beta}_0)^2 = \sigma^2\left[\frac{1}{n}+\frac{\bar{x}^2}{\sum_{i=1}^n(x_i-\bar{x})^2}\right]x¯x¯\bar{x}xixix_i मैं जो समझता हूं, एसई आपकी अनिश्चितता को उदाहरण के लिए, 95% नमूनों में, अंतराल में true शामिल । मैं यह समझने में असफल रहा कि एसई, अनिश्चितता का एक उपाय, साथ …

13 regression  interpretation  standard-error 

के लिए रेखीय मॉडल :, हम OLS के माध्यम से अनुमान मॉडल का एक अच्छा ज्यामितीय व्याख्या हो सकती है y = एक्स β + ई । Y y के प्रक्षेपण पर अंतरिक्ष एक्स और अवशिष्ट से फैला है ई सीधा है करने के लिए इस अंतरिक्ष एक्स से फैला।y= …

13 regression  model  geometry 

साधारण पशु वर्गों के बजाय अधिकतम संभावना अनुमान का उपयोग करना कब बेहतर होता है? प्रत्येक की ताकत और सीमाएं क्या हैं? मैं सामान्य परिस्थितियों में प्रत्येक का उपयोग करने के लिए व्यावहारिक ज्ञान इकट्ठा करने की कोशिश कर रहा हूं।

13 regression  maximum-likelihood  least-squares 

रैखिक प्रतिगमन में, , को डिज़ाइन मैट्रिक्स क्यों कहा जाता है? क्या X को कला के रूप में कुछ हद तक मनमाने ढंग से डिजाइन या निर्मित किया जा सकता है?एक्सY=XβY=XβY= X\betaXXXXXX

13 regression  terminology 

मेरे पास मानों का एक सेट है और जो सैद्धांतिक रूप से तेजी से संबंधित हैं:यएक्सxxyyy y= एक एक्सखy=axby = ax^b गुणांक प्राप्त करने का एक तरीका दोनों पक्षों में प्राकृतिक लघुगणक लागू करना और एक रैखिक मॉडल फिटिंग करना है: > fit <- lm(log(y)~log(x)) > a <- exp(fit$coefficients[1]) > …

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