Questions tagged «model-comparison»

要使AIC模型比较正常工作，必须满足哪些先决条件？ 当我像这样进行比较时，我只是遇到了这个问题： > uu0 = lm(log(usili) ~ rok) > uu1 = lm(usili ~ rok) > AIC(uu0) [1] 3192.14 > AIC(uu1) [1] 14277.29 这样我就证明了log变量的转换usili。但是我不知道在例如因变量不同的情况下是否可以对模型进行AIC比较？ 理想的答案应包括先决条件（数学假设）列表。

26 regression  model-selection  aic  model-comparison  nested-models 

使用线性混合效应模型的主要陷阱是什么？在评估模型的适当性时，需要测试/注意的最重要的事情是什么？比较同一数据集的模型时，要寻找的最重要内容是什么？

18 mixed-model  model-comparison 

在气候建模中，您正在寻找可以充分描绘地球气候的模型。这包括显示半周期性的模式：诸如厄尔尼诺南方涛动。但是模型验证通常发生在相对短的时间段内，那里有不错的观测数据（近150年）。这意味着您的模型可能会显示正确的模式，但是却是异相的，因此线性比较（如相关性）将无法证明模型运行良好。 离散傅里叶变换通常用于分析气候数据（这里是一个示例），以获取这种循环模式。是否有任何标准度量可以用作验证工具的两个DFT相似性（即模型的DFT与观察值的DFT之间的比较）？ 取两个面积归一化DFT中最小值的整数（使用绝对实数值）是否有意义？我认为这将导致一个分数，其中X = 1x∈[0,1]x∈[0,1]x\in[0,1]x=1⟹x=1⟹x=1\implies完全相同的模式，并且x=0⟹x=0⟹x=0\implies完全不同的模式。这种方法的缺点是什么？

14 time-series  model-comparison  fourier-transform  climate 

这是一个相当普遍的问题： 我通常发现，在尝试从样本中预测时间序列时，使用多个不同的模型要优于一个模型。有没有好的论文证明模型的组合将胜过单个模型？结合多个模型是否有最佳实践？ 一些参考： Hui Zoua，Yuhong Yang “结合时间序列模型进行预测” International Journal of Forecasting 20（2004）69– 84

13 time-series  modeling  model-comparison 

样本内预测和伪样本外预测之间是否有明显的区别。两者都意味着评估和比较预测模型。

12 forecasting  model-comparison  out-of-sample  in-sample 

我想将BIC用于HMM模型选择： BIC = -2*logLike + num_of_params * log(num_of_data) 因此，如何计算HMM模型中的参数数量。考虑一个简单的2状态HMM，其中具有以下数据： data = [1 2 1 1 2 2 2 1 2 3 3 2 3 2 1 2 2 3 4 5 5 3 3 2 6 6 5 6 4 3 4 4 4 4 4 4 3 3 2 …

12 machine-learning  model-comparison  bic  hidden-markov-model 

到目前为止，我已经看到ANOVA以两种方式使用： 首先，在我的介绍性统计文本中，引入了ANOVA作为比较三个或更多组均值的一种方法，是对成对比较的改进，目的是确定一种均值是否具有统计学上的显着差异。 第二，在我的统计学习课文中，我已经看到ANOVA用于比较两个（或多个）嵌套模型，以确定使用模型2预测变量子集的模型1是否同样适合数据，或者是否完整模型2是上乘的。 现在，我认为这两者在某种程度上实际上是非常相似的，因为它们都在使用ANOVA测试，但是从表面上看，它们对我来说似乎完全不同。对于第一个方法，第一个用法比较三个或更多组，而第二个方法只能用于比较两个模型。有人请介意阐明这两种用途之间的联系吗？

12 hypothesis-testing  anova  model-comparison  f-test  nested-models 

我想比较两个线性回归模型，它们表示在两种不同条件下，mRNA随时间的降解速率。每个模型的数据都是独立收集的。 这是数据集。 时间（小时）日志（处理A）日志（处理B） 0 2.02 1.97 0 2.04 2.06 0 1.93 1.96 2 2.02 1.91 2 2.00 1.95 2 2.07 1.82 4 1.96 1.97 4 2.02 1.99 4 2.02 1.99 6 1.94 1.90 6 1.94 1.97 6 1.86 1.88 8 1.93 1.97 8 2.12 1.99 8 2.06 1.93 12 1.71 …

12 regression  model-comparison 

我最近将4个多元回归模型用于相同的预测因子/响应数据。我适合泊松回归的两个模型。 model.pois <- glm(Response ~ P1 + P2 +...+ P5, family=poisson(), ...) model.pois.inter <- glm(Response ~ (P1 + P2 +...+ P5)^2, family=poisson(), ...) 我使用负二项式回归拟合的两个模型。 library(MASS) model.nb <- glm.nb(Response ~ P1 + P2 +...+ P5, ...) model.nb.inter <- glm.nb(Response ~ (P1 + P2 +...+ P5)^2, ...) 我可以使用统计检验来比较这些模型吗？我一直在使用AIC来衡量合身程度，但AFAIK并不代表实际测试。

11 regression  aic  count-data  likelihood-ratio  model-comparison 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

我有一个在几个时间变量上训练过的动态朴素贝叶斯模型。模型的输出是P(Event) @ t+1每个的预测t。 P(Event)vs 的曲线time如下图所示。在此图中，黑线代表P(Event)我的模型所预测的；的水平红线表示事件发生的先验概率; 和垂直虚线表示在时间序列中的（5个）的事件发生。 理想情况下，我希望P(Event)在观察任何事件之前先看到预测的峰值，并且在没有事件发生的希望时保持接近零。 我希望能够报告模型（黑线）在预测事件发生方面的表现。与我的模型进行比较的一个明显的候选对象是事件的先验概率（红线），如果将其用作预测因子，则将为所有对象预测相同的概率值t。 实现这种比较的最佳形式方法是什么？ PS：我目前正在按照以下代码使用（直观）评分，其中总体评分较低表明预测性能更好。我发现用这个评分实际上很难超越以前的评分： # Get prediction performance model_score = 0; prior_score=0; for t in range(len(timeSeries)): if(timeSeries[t]== event): # event has happened cur_model_score = 1- prob_prediction[t]; cur_prior_score = 1 - prior else: # no event cur_model_score = prob_prediction[t] - 0; cur_prior_score = prior - …

9 time-series  probability  prediction  model-comparison  model-evaluation