Questions tagged «multivariate-analysis»

分析一次同时分析多个变量的地方，这些变量要么是因变量（响应），要么是分析中唯一的变量。这可以与“多个”或“多变量”分析形成对比，后者暗示了多个预测变量（独立变量）。

4
按时间顺序解释什么？
到目前为止，到目前为止主要处理横截面数据，最近才进行浏览，扫描了大量的时间序列入门文献，我不知道解释变量在时间序列分析中将扮演什么角色。 我想解释一个趋势而不是趋势。作为引言，我所读的大部分内容都假定该系列文章源于某种随机过程。我了解了AR（p）和MA流程以及ARIMA建模。除了自动回归过程之外，我还想处理更多信息，所以我找到了VAR / VECM并运行了一些示例，但我仍然想知道是否存在某些案例与横截面上的解释更接近。 其背后的动机是我的系列分解表明趋势是主要的贡献者，而余数和季节性影响几乎没有作用。我想解释一下这种趋势。 我可以/应该将我的系列回归多个不同的系列吗？凭直觉，由于串行相关性，我会使用gls（我不太确定cor结构）。我听说过虚假回归，并且知道这是一个陷阱，但是我正在寻找一种解释趋势的方法。 这是完全错误还是不常见？还是我到目前为止错过了正确的章节？
2
两个*相关*正态变量的总和不正常的示例
我知道一些相关的随机变量对的很好的例子，它们在边际上是正常的，但在联合上不是正常的。见这个答案由迪利普Sarwate，和这一个由红衣主教。 我也知道两个总和不正常的普通随机变量的例子。见这个答案的宏。但是在这个例子中，两个随机变量是不相关的。 是否存在两个具有非零协方差且总和不正常的普通随机变量的示例？还是有可能证明任何两个相关正态随机变量的和（即使它们不是二元正态）也必须是正态的？ [上下文：我有一个作业问题，要求的分布，其中和是具有相关标准法线。我认为该问题旨在说明它们是双变量正态的。但是我想知道，如果没有非零的额外假设，是否可以X ÿ ρ ρaX+bYaX+bYaX+bYXXXYYYρρ\rhoρρ\rho 谢谢！
2
异常检测：使用什么算法？
背景信息：我正在开发一个分析临床数据的系统，以过滤掉可能是错别字的难以置信的数据。 到目前为止，我做了什么： 为了量化真实性，到目前为止，我的尝试是对数据进行归一化，然后根据点p与集合D中已知数据点的距离（=训练集合）计算点p的真实性值： plausibility(p)=∑q∈DGauss(distance(p,q))plausibility(p)=∑q∈DGauss(distance(p,q))\text{plausibility}(p)=\sum_{q\in D}\text{Gauss}(\text{distance}(p,q)) 通过这种量化，我可以选择一个阈值，将合理的数据与不可信的数据分开。我正在使用python / numpy。 我的问题： 该算法无法检测独立的维度。理想情况下，我可以将关于记录的所有信息放入算法中，让它自己发现维度X不会影响记录的合理性。 该算法不适用于布尔值或选择输入等离散值。它们可以映射到连续值上，但是与Select 3相比，Select 1与Select 2更接近Select 2是违反直觉的。 题： 我应该为该任务寻找哪种算法？似乎有很多选择，包括基于最近邻居，基于聚类和统计方法。另外，我很难找到有关这种复杂性异常检测的论文。 任何建议都受到高度赞赏。 [编辑]示例： 假设数据由一个人的身高，一个人的体重和时间戳组成-因此它是3D数据。体重和身高是相关的，但时间戳是完全独立的。如果仅考虑欧几里德距离，则必须选择一个小的阈值以适合我的大多数交叉验证数据。理想情况下，该算法将只忽略时间戳记维度，因为确定记录是否合理是无关紧要的，因为时间戳记与任何其他维度都不相关。任何时间戳都是合理的。 另一方面，可以组成一些示例，其中时间戳确实很重要。例如，特征X的值Y在某个日期之前而不是某个日期之后测量时可能是合理的。
1
可视化许多左偏分布
我要显示一系列左偏/重尾分布。有跨越三个因素42个分布（标示为A，B和C下文）。同样，差异也在整个因数间缩小B。 我的问题是，很难在结果的范围（比例或倍数变化）上区分分布： 记录数据似乎过分强调了左偏度，并将更多样本移到尾部（创建了多个离群点）： 有人对其他可视化这些数据的技术有建议吗？
2
探索许多变量的散点图矩阵
我正在分析具有许多参数（例如50-200）的数据集，并且我对查看变量之间的关系感兴趣（例如，根据2变量散点图或2d直方图）。但是，对于这种数量的参数，绘制200x200的绘图阵列似乎是不可行的（除非我将其打印并挂在墙上）。 另一方面，仅执行相关矩阵并不能给出有关2变量关系的所有信息。 有没有一种方法（库或工作流）来探索许多变量的2变量关系？ 我特别想向他人展示结果（也许经过一些数据预处理之后）。例如，在JavaScript中具有交互性的东西，可以看到相关矩阵中选定字段的散点图矩阵。 通过散点图矩阵，我的意思是这样的： （摘自pandasplotting博客；在Python / Pandas，R，D3.js等中可用）。
2
当变量表现出完美的同时依赖时，多元中心极限定理（CLT）是否成立？
标题总结了我的问题，但为清楚起见，请考虑以下简单示例。令，i = 1，...，n。定义： \ begin {equation} S_n = \ frac {1} {n} \ sum_ {i = 1} ^ n X_i \ end {equation} 和 \ begin {equation} T_n = \ frac {1} {n} \ sum_ {i = 1} ^ n（X_i ^ 2-1-1）\ end {equation} 我的问题：即使当n = 1时S_n和T_n完全相关，\ sqrt {n} S_n和\ …
1
如何在lme4中解释多元混合模型的系数而无需整体拦截？
我正在尝试在中拟合多变量（即多响应）混合模型R。除了ASReml-r和SabreR软件包（需要外部软件）之外，似乎只有在中才有可能MCMCglmm。Jarrod Hadfield 在包装随附的论文MCMCglmm（pp.6）中描述了拟合模型的过程，例如将多个响应变量重塑为一个长格式变量，然后抑制总体截距。我的理解是，抑制截距会使响应变量每个级别的系数解释变为该级别的平均值。鉴于以上所述，因此是否可以使用来拟合多元混合模型lme4？例如： data(mtcars) library(reshape2) mtcars <- melt(mtcars, measure.vars = c("drat", "mpg", "hp")) library(lme4) m1 <- lmer(value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)), data = mtcars) summary(m1) # Linear mixed model fit by REML # Formula: value ~ -1 + variable:gear + variable:carb + (1 | …
1
逆协方差矩阵的假设检验
假设我观察到iid ，并希望测试 vech for a整合矩阵和向量。在这个问题上有已知的工作吗？xi∼N(μ,Σ)xi∼N(μ,Σ)x_i \sim \mathcal{N}\left(\mu,\Sigma\right)H0:A H0:A H_0: A\ (Σ−1)=a(Σ−1)=a\left(\Sigma^{-1}\right) = aAAAaaa （对我而言）显而易见的尝试是通过似然比测试，但是似乎要在受到约束的情况下最大化似然率将需要SDP求解器，并且可能非常麻烦。H0H0H_0
1
是否有Pillai迹线和Hotelling-Lawley迹线的推广？
在多元多元回归（向量回归和回归）的设置中，一般假设的四个主要检验（Wilk's Lambda，Pillai-Bartlett，Hotelling-Lawley和Roy's最大根）都取决于矩阵的特征值。，其中和是“解释”和“总计”变异矩阵。高EHË− 1HE−1H E^{-1}HHHËEE 我注意到Pillai和Hotelling-Lawley统计信息都可以表示为 分别表示。我正在寻找一个应用，其中情况下，对于和的总体类似物定义的该迹线的分布是有意义的。（我的工作中存在模错误。）我很好奇，如果通用的样本统计信息存在某种已知的统一性，或者捕获了四个经典测试中的两个或多个的其他通用性。我意识到不等于或κ = 1 ，0 ħ ë κ = 2 κ κ 0 1ψκ= Tr （高[ κ ħ+ E]− 1），ψκ=Tr(H[κH+E]−1),\psi_{\kappa} = \mbox{Tr}\left(H\left[\kappa H + E\right]^{-1}\right),κ = 1 ， 0κ=1,0\kappa = 1, 0HHHËEEκ = 2κ=2\kappa = 2κκ\kappaκκ\kappa0001个11，分子在零下不再看起来像卡方，因此中心F逼近似乎值得怀疑，所以也许这是一个死胡同。 我希望对零下（即回归系数的真矩阵全为零）下和替代下的的分布进行一些研究。我对情况特别感兴趣，但是，如果在一般κ情况下有工作，我当然可以使用。ψκψκ\psi_{\kappa}κ = 2κ=2\kappa = 2κκ\kappa
1
在线性，二次方和费舍尔判别分析上，来源似乎存在分歧
我正在研究判别分析，但在调和几种不同的解释时遇到了困难。我相信我一定会错过一些东西，因为我以前从未遇到过这种（似乎）差异水平。话虽如此，有关该网站上判别分析的问题数量似乎证明了其复杂性。 LDA和QDA几类 我的主要教科书是强生公司的应用多元统计分析（AMSA）和基于此的老师的笔记。我将忽略两组设置，因为我相信此设置中的简化公式至少会引起一些混乱。根据此来源，LDA和QDA被定义为基于预期的误分类成本（ECM）的分类规则的参数（假设多元正态性）扩展。ECM对将新观察值x划分到任何组的条件期望成本求和（包括误分类成本和先验概率），我们选择将其最小化的分类区域。其中ECM=∑i=1groupspi[∑k=1; i≠kgroupsP(k|i)c(k|i)]ECM=∑i=1groupspi[∑k=1; i≠kgroupsP(k|i)c(k|i)]ECM = \sum_{i=1}^{groups} p_i [\sum_{k=1;\space i \ne k}^{groups}P(k|i)c(k|i)]P(k|i)=P(classifying item as group k | item is group i)=∫Rkfi(x)dxP(k|i)=P(classifying item as group k | item is group i)=∫Rkfi(x)dxP(k|i) = P(\text{classifying item as group k } | \text{ item is group i}) = \int_{R_k} f_i(\boldsymbol{x})d\boldsymbol{x}，fi(x)fi(x) f_i(\boldsymbol{x})是人口密度，RkRkR_k是k组中的一组观测值，ccc是成本，pipip_i是先验概率。然后可以将新的观测值分配给内部项最小或等效的内部项p_k f_k（\ boldsymbol {x}）剩余部分pkfk(x)pkfk(x)p_k …
1
哪种深度学习模型可以对不互斥的类别进行分类
示例：我的职位描述中有一句话：“英国Java高级工程师”。 我想使用深度学习模型将其预测为2类：English 和IT jobs。如果我使用传统的分类模型，则只能预测softmax最后一层具有功能的标签。因此，我可以使用2个模型神经网络来预测两个类别的“是” /“否”，但是如果我们有更多类别，那就太贵了。那么，我们是否有任何深度学习或机器学习模型可以同时预测2个或更多类别？ “编辑”：使用传统方法使用3个标签，它将由[1,0,0]编码，但在我的情况下，它将由[1,1,0]或[1,1,1]编码 示例：如果我们有3个标签，并且所有这些标签都适合一个句子。因此，如果softmax函数的输出为[0.45，0.35，0.2]，我们应该将其分类为3个标签或2个标签，或者可以是一个？我们这样做的主要问题是：分类为1个，2个或3个标签的最佳阈值是多少？
9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 
1
在生态学中使用什么标准将变量分为解释变量和排序方法的响应？
我有在人群中相互作用的不同变量。基本上，我一直在盘点千足虫，并测量其他一些地形值，例如： 标本的种类和数量 动物所在的不同环境 pH值 有机物百分比 磷，钾，镁，钙，锰，铁，锌，铜的含量 Ca + Mg / K关系 基本上，我想使用PCA来确定哪些变量驱动样本的可变性并使森林（环境）有所不同。我应该为“变量”使用哪些变量，为“个人”使用哪些变量？
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.