Questions tagged «multivariate-analysis»

我希望预测某人会购买的物品组...即，我有多个共线性因变量。 我不应该建立7个左右的独立模型来预测某人购买这7个项目中的每一个的概率，然后结合结果，而是应该采用什么方法来建立一个模型来说明7个相关的因变量之间的关系（他们可以购买的东西）。 我将R用作编程语言，因此请特别感谢R的任何建议。

9 r  machine-learning  multivariate-analysis 

我正在分析有关潮间带群落的数据集。数据是四方类动物（海藻，藤壶，贻贝等）的覆盖百分比。我习惯于根据物种计数来考虑对应分析（CA），而将主成分分析（PCA）视为对线性环境（而非物种）趋势更有用的方法。我真的没有运气来确定PCA或CA是否更适合百分比覆盖率（找不到任何论文），而且我什至不确定如何将封顶为100％的内容分发出去？ 我熟悉粗略的指导原则，即如果第一个去趋势对应分析（DCA）轴的长度大于2，则可以放心地假定应该使用CA。DCA轴1的长度为2.17，这对我没有帮助。

9 r  pca  multivariate-analysis  correspondence-analysis 

阅读有关两个随机向量和规范相关分析（CCA）的维基百科，我想知道当时主成分分析（PCA）是否与CCA相同？XXXYYYX=YX=YX=Y

9 pca  multivariate-analysis  canonical-correlation 

有人可以建议我如何计算两个彼此独立的高斯随机向量的内积的矩生成函数吗？每个向量都是？是否有一些标准结果可用于此？任何指针都受到高度赞赏。N(0,σ2)N(0,σ2)\mathcal N(0,\sigma^2)

9 normal-distribution  mathematical-statistics  multivariate-analysis  moments  mgf 

假设我有一个频率为4个可能的事件的样本： Event1 - 5 E2 - 1 E3 - 0 E4 - 12 并且我具有发生事件的预期概率： p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 利用我四个事件的观测频率之和（18），我可以计算事件的预期频率，对吗？ expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 = 1.8 expectedE1 - …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

一些统计方法-我不记得它是主要成分分析还是类似的方法-有时被称为“法国数据分析”。究竟是什么 ？有人说这个名字具有讽刺意味，是真的，为什么？

9 multivariate-analysis  terminology  correspondence-analysis 

我有一个庞大的数据集，其中包含数百个金融变量的值，这些变量可以用于多元回归，以预测指数基金随时间的行为。我想将变量的数量减少到十个左右，同时仍保留尽可能多的预测能力。 补充：减少的变量集必须是原始变量集的子集，以保留原始变量的经济意义。因此，例如，我不应该以原始变量的线性组合或聚合结局。 有关如何执行此操作的一些想法（可能是幼稚的）： 对每个变量执行简单的线性回归，然后选择具有最大值的十个变量。当然，不能保证十个最佳个体变量的组合将是十个最佳组。R2R2R^2 执行主成分分析，并尝试查找与前几个主轴关联最大的十个原始变量。 我认为我不能执行分层回归，因为变量不是真正嵌套的。尝试使用十个变量的所有可能组合在计算上是不可行的，因为组合太多。 是否有标准方法来解决减少多元回归中变量数量的问题？ 似乎这将是一个足够普遍的问题，因此将存在一种标准方法。 一个非常有用的答案将是不仅提及标准方法，而且概述其工作方式和原因。或者，如果没有一种标准的方法，而是多种方法各有优缺点，那么讨论其优缺点的答案将非常有用。 Whuber在下面的评论表明，最后一段中的要求太宽泛。相反，我会接受一个主要方法列表作为一个好的答案，也许对每个方法都有一个非常简短的描述。一旦有了条款，我就可以挖掘每个人的详细信息。

9 regression  multivariate-analysis  model-selection  multiple-regression 

我想对几个点过程（或一个标记点​​过程）执行平方计数分析，然后应用一些降维技术。 这些标记分布不均，即某些标记经常出现，而有些则很少。因此，我不能简单地将2D空间划分为规则的网格，因为频率较高的标记将“淹没”频率较低的标记，从而掩盖了它们的外观。 因此，我尝试构建网格，以使每个像元中最多包含N个点（为此，我将每个像元简单地递归地划分为四个较小（大小相同）的像元，直到每个像元中不超过N个点为止。它）。 您如何看待这种“规范化”技术？有没有做这种事情的标准方法？

9 multivariate-analysis  normalization  ecology  point-process 

我有同一时间段内发生的事件的数据集。每个事件都有一个类型（很少有不同类型，少于十个）和一个位置，以2D点表示。 我想检查事件类型之间或类型与位置之间是否存在任何关联。例如，也许类型A的事件通常不会发生，而类型B的事件却不会发生。也许在某些地区，大多数是C型事件。 我可以使用哪种工具来执行此操作？作为统计分析的新手，我的第一个想法是在此数据集上使用某种PCA（主成分分析），以查看每种类型的事件是否具有自己的成分，或者某些事件是否共享相同的成分（即相关的成分）？ 我不得不提到，我的数据集约为500'000点，因此使处理起来有些困难。（x ，y，吨ÿp ë ）(x,y,type)(x, y, type) 编辑：如下面的答案和评论中所述，方法是将此模型建模为标记点过程，然后使用R来完成所有繁重的工作，如本研讨会报告中的详细说明：http：// /www.csiro.edu.au/resources/Spatial-Point-Patterns-in-R.html

9 correlation  pca  multivariate-analysis  point-process