Questions tagged «loess»

我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

我正在R中运行LOESS回归模型，我想比较具有不同样本量的12个不​​同模型的输出。如果可以帮助回答问题，我可以更详细地描述实际模型。 以下是样本数量： Fastballs vs RHH 2008-09: 2002 Fastballs vs LHH 2008-09: 2209 Fastballs vs RHH 2010: 527 Fastballs vs LHH 2010: 449 Changeups vs RHH 2008-09: 365 Changeups vs LHH 2008-09: 824 Changeups vs RHH 2010: 201 Changeups vs LHH 2010: 330 Curveballs vs RHH 2008-09: 488 Curveballs vs LHH …

26 r  regression  loess 

我希望更好地了解使用黄土或平滑样条曲线平滑某些曲线的利弊。 我的问题的另一个变化是，是否有一种方法可以构造出与使用黄土相同的结果的平滑样条。 欢迎任何参考或见识。

25 regression  splines  loess 

在我最近问的一个问题中，有人告诉我，用黄土推断是一个很大的“不可以”。但是，在Nate Silver在FiveThirtyEight.com上的最新文章中，他讨论了使用黄土做出选举预测。 他当时在讨论黄土侵略性与保守性预报的细节，但我对黄土做出未来预测的有效性感到好奇吗？ 我也对这次讨论以及对黄土可能有类似好处的其他替代方法感兴趣。

23 time-series  forecasting  predictive-models  loess  politics 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

LOESS和LOWESS有什么区别？从维基百科，我只能看到LOESS是LOWESS的概括。它们的参数是否略有不同？

17 nonparametric  loess 

我有一些数据是使用R中的LOESS模型拟合的，给了我这个： 数据具有一个预测变量和一个响应，并且是异方差的。 我还添加了置信区间。问题在于间隔是该行的置信区间，而我对预测间隔感兴趣。例如，底部面板比顶部面板更具可变性，但是不会在间隔中捕获。 这个问题有点相关： 从多项式回归中了解置信带，尤其是@AndyW的答案，但是在他的示例中，他使用了interval="predict"中存在的相对简单的论点predict.lm，但从中没有predict.loess。 所以我有两个非常相关的问题： 如何获得LOESS的逐点预测间隔？ 我如何预测将捕获该间隔的值，即生成一堆最终看起来看起来像原始数据的随机数？ 我可能不需要黄土，应该使用其他东西，但是我不熟悉我的选择。基本上，它应该使用局部回归或多元线性回归来拟合线，从而为线提供误差估计，此外，还为不同的解释变量提供了不同的方差，因此我可以在某些x值处预测响应变量（y）的分布。

17 r  regression  prediction-interval  loess 

这个问题是由其他地方的讨论引起的。 变量核通常用于局部回归。例如，黄土被广泛使用并且可以作为回归平滑器使用，并且基于适应数据稀疏性的可变宽度内核。 另一方面，通常认为可变核在核密度估计中导致较差的估计量（请参见Terrell和Scott，1992年）。 他们有一个直观的原因，为什么它们可以很好地进行回归而不是密度估计？

17 nonparametric  smoothing  kernel-smoothing  loess 

排列检验（也称为随机检验，重新随机检验或精确检验）非常有用，并且在t-test未满足例如要求的正态分布的假设以及通过按等级对值进行转换时派上用场非参数测试之类的测试Mann-Whitney-U-test会导致丢失更多信息。但是，在使用这种检验时，一个假设且唯一一个假设应该是原假设下样本的可交换性假设。还值得注意的是，当有两个以上的示例（如在coinR包中实现的示例）时，也可以应用这种方法。 您能用简单的英语用一些比喻语言或概念直觉来说明这一假设吗？这对于在像我这样的非统计学家中阐明这个被忽视的问题非常有用。 注意： 提及在相同假设下应用置换测试不成立或无效的情况将非常有帮助。 更新： 假设我随机从我所在地区的当地诊所收集了50个受试者。他们被随机分配为接受药物或安慰剂的比例为1：1。分别Par1在V1（基准），V2（3个月后）和V3（1年后）时测量了参数1 。根据特征A，所有50个主题都可以分为2组；正值= 20，负值=30。它们也可以基于特征B细分为另外2组；B阳性= 15，B阴性=35。 现在，我具有Par1所有访问中所有受试者的值。在可交换性的假设下，如果可以，我是否可以在Par1使用置换测试的水平之间进行比较： -将接受药物治疗的受试者与接受V2安慰剂治疗的受试者进行比较？ -将具有特征A的对象与具有V2的特征B的对象进行比较？ -比较在V2具有特征A的对象与在V3具有特征A的对象？ -在哪种情况下，这种比较是无效的，并且违反了可交换性的假设？

15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

如何计算R 和/或函数输出的R平方（）统计量？例如，此数据：r2r2r^2loesspredict cars.lo <- loess(dist ~ speed, cars) cars.lp <- predict(cars.lo, data.frame(speed = seq(5, 30, 1)), se = TRUE) cars.lp有两个fit用于模型和se.fit标准误差的数组。

15 r  r-squared  loess 

是否有像LOESS这样的建模技术这样允许零个，一个或多个不连续性，而这些不连续性的时间先验未知？ 如果存在一种技术，R中是否存在现有的实现？

14 r  regression  curve-fitting  change-point  loess 

语境：我想提请在不出现参数散点图一条线，所以我使用geom_smooth()的ggplot中R。它会自动返回geom_smooth: method="auto" and size of largest group is >=1000, so using gam with formula: y ~ s(x, bs = "cs"). Use 'method = x' to change the smoothing method.我收集的GAM代表广义加性模型，并使用三次样条曲线。 以下看法正确吗？ 黄土以特定值估算响应。 样条曲线是连接适合数据的不同分段函数（构成广义加性模型）的近似值，三次样条曲线是此处使用的特定样条曲线类型。 最后，何时应使用花键，何时应使用LOESS？

14 r  gam  splines  loess  r  data-visualization  boxplot  mathematical-statistics  theory  sufficient-statistics  machine-learning  classification  correlation  svm  feature-selection  probability  stochastic-processes  machine-learning  reinforcement-learning 

我有一些可以平滑使用的数据loess。我想找到平滑线的拐点。这可能吗？我确定有人已经找到了解决这个问题的好方法...我的意思是...毕竟是R！ 我可以更改使用的平滑功能。我刚刚使用过，loess因为那是我过去使用过的。但是任何平滑功能都可以。我确实意识到拐点将取决于我使用的平滑功能。我可以。我想通过仅具有任何有助于吐出拐点的平滑功能来开始。 这是我使用的代码： x = seq(1,15) y = c(4,5,6,5,5,6,7,8,7,7,6,6,7,8,9) plot(x,y,type="l",ylim=c(3,10)) lo <- loess(y~x) xl <- seq(min(x),max(x), (max(x) - min(x))/1000) out = predict(lo,xl) lines(xl, out, col='red', lwd=2)

14 r  smoothing  loess 

我使用stl（黄土时间序列的季节性分解）函数使用以下代码进行绘制： plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) 它显示了明显的季节性变化，上面的代码中放有随机数据（rnorm函数）。每次运行都会看到明显的变化，尽管模式是不同的。下面显示了两个这样的模式： 当显示季节性变化时，如何依靠stl函数处理某些数据。是否需要考虑其他一些参数来查看这种季节性变化？感谢您的见解。 代码摘自此页：这是测试自杀计数数据中季节性影响的适当方法吗？

11 time-series  seasonality  loess 

我有一些变量，我很想找到它们之间的非线性关系。因此，我决定拟合一些样条曲线或黄土，并打印漂亮的图（请参见下面的代码）。但是，我还希望获得一些统计数据，以使我了解这种关系是随机性问题的可能性有多大……即，我需要一些总体p值，例如对于线性回归而言。换句话说，我需要知道拟合曲线是否有意义，因为我的代码会将曲线拟合到任何数据。 x <- rnorm(1000) y <- sin(x) + rnorm(1000, 0, 0.5) cor.test(x,y) plot(x, y, xlab = xlab, ylab = ylab) spl1 <- smooth.spline(x, y, tol = 1e-6, df = 8) lines(spl1, col = "green", lwd = 2) spl2 <- loess(y ~ x) x.pr <- seq(min(x), max(x), length.out = 100) lines(x.pr, …

10 r  regression  splines  loess