Questions tagged «self-study»

我从汉密尔顿的时间序列分析开始，但我无可救药。这本书对我来说真的太理论化，无法自己学习。 是否有人推荐适合于自学的时间序列分析教科书？

99 time-series  self-study  references 

我开始与使用的涉猎glmnet与LASSO回归那里我感兴趣的结果是二分。我在下面创建了一个小的模拟数据框： age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, 0.91, 0.29, 0.88) m_edu <- c(0, 1, 1, 2, 2, 3, 2, 0, 1) p_edu <- c(0, 2, 2, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

它们如何都是同一基本统计方法的所有版本？

49 regression  self-study  anova  generalized-linear-model  t-test 

我只是在时间序列分析中开始自我学习。我注意到，存在许多潜在的陷阱，不适用于一般统计数据。因此，基于什么是常见的统计罪过？， 我想问一下： 时间序列分析中常见的陷阱或统计错误是什么？ 这旨在作为社区Wiki，每个答案一个概念，请不要重复（或应该）列在“ 什么是常见的统计错误”上的更一般的统计陷阱？

46 time-series  self-study 

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 

我最近遇到了这个身份： E[E(Y|X,Z)|X]=E[Y|X]E[E(Y|X,Z)|X]=E[Y|X]E \left[ E \left(Y|X,Z \right) |X \right] =E \left[Y | X \right] 我当然熟悉该规则的简单版本，即E[E(Y|X)]=E(Y)E[E(Y|X)]=E(Y)E \left[ E \left(Y|X \right) \right]=E \left(Y\right) 但我无法为其概括找到理由。 如果有人可以为我指出一个非技术性的参考，或者，甚至有人可以为这一重要结果提供简单的证明，我将不胜感激。

43 self-study  conditional-probability  conditional-expectation 

我的问题涉及试图证明一种广泛使用的方法的合理性，即采用泰勒级数的期望值。假设我们有一个随机变量XXX与正平均μμ\mu和方差σ2σ2\sigma^2。另外，我们有一个函数，例如log(x)log⁡(x)\log(x)。 这样做的泰勒展开logXlog⁡X\log X围绕平均值，我们得到 logX=logμ+X−μμ−12(X−μ)2μ2+13(X−μ)3ξ3X,log⁡X=log⁡μ+X−μμ−12(X−μ)2μ2+13(X−μ)3ξX3, \log X = \log\mu + \frac{X - \mu}{\mu} - \frac12 \frac{(X-\mu)^2}{\mu^2} + \frac13 \frac{(X - \mu)^3}{\xi_X^3}, 其中，按照惯例，ξXξX\xi_X是ST|ξX−μ|&lt;|X−μ||ξX−μ|&lt;|X−μ||\xi_X - \mu| < |X - \mu|。 如果我们的预期，我们将得到一个近似方程，人们通常所说的东西自我明显（见≈≈\approx第一个方程式符号这里）： ElogX≈logμ−12σ2μ2Elog⁡X≈log⁡μ−12σ2μ2 \mathbb{E}\log X \approx \log \mu - \frac12 \frac{\sigma^2}{\mu^2} 问：我感兴趣的是如何证明余项的预期值实际上是可以忽略不计，即 E[(X−μ)3ξ3X]=o(σ2)E[(X−μ)3ξX3]=o(σ2) \mathbb{E}\left[\frac{(X - \mu)^3}{\xi_X^3}\right] = o(\sigma^2) （或，换句话说，E[o(X−μ)2]=o(E[(X−μ)2])E[o(X−μ)2]=o(E[(X−μ)2])\mathbb{E}\bigl[o(X-\mu)^2\bigr] = o\bigl(\mathbb{E}\bigl[(X-\mu)^2\bigr]\bigr)）。 我试图做的：假定σ2→0σ2→0\sigma^2 \to 0（这反过来，装置X→μX→μX …

42 self-study  mathematical-statistics  expected-value 

我试图了解潜在Dirichlet分配和word2vec之间的相似度，用于计算单词相似度。 据我了解，LDA将单词映射到潜在主题的概率向量，而word2vec 将单词映射到实数的向量（与逐点互信息的奇异值分解有关，请参阅O. Levy，Y。Goldberg，“神经词嵌入作为隐式矩阵分解”；另请参见word2vec如何工作？）。 我对理论关系（可以被认为是一种概括或另一种变化）和实践（当使用一种而不是另一种）都感兴趣。 有关： 计算文档之间距离的一些标准方法是什么？-DataScience.SE

39 machine-learning  self-study  natural-language  latent-variable  word2vec 

下图中和之间的关系是什么？在我看来，存在负线性关系，但是由于我们有很多异常值，因此该关系非常弱。我对吗？我想学习如何解释散点图。XYYYXXX

38 self-study  correlation  scatterplot 

这是源于现实生活中的问题，对此我真的感到困惑。 我儿子将在伦敦上小学。由于我们是意大利人，所以我很想知道已经有多少意大利孩子上学了。我在申请时向招生官问了这个问题，她告诉我他们每班平均有2名意大利孩子（共30名）。 现在，我知道我的孩子已被接纳，但我没有其他孩子的其他信息。入学标准基于距离，但是出于这个问题的目的，我相信我们可以假设它基于大量申请人的随机分配。 我儿子的班级有望有多少意大利孩子？会接近2还是3？

37 probability  self-study  average 

（无偏）方差估计量的分母为因为有观测值，并且仅估计了一个参数。n−1n−1n-1nnn V(X)=∑ni=1(Xi−X¯¯¯¯)2n−1V(X)=∑i=1n(Xi−X¯)2n−1 \mathbb{V}\left(X\right)=\frac{\sum_{i=1}^{n}\left(X_{i}-\overline{X}\right)^{2}}{n-1} 同样，我想知道为什么在估计两个参数时协方差的分母为何不为？n−2n−2n-2 Cov(X,Y)=∑ni=1(Xi−X¯¯¯¯)(Yi−Y¯¯¯¯)n−1Cov(X,Y)=∑i=1n(Xi−X¯)(Yi−Y¯)n−1 \mathbb{Cov}\left(X, Y\right)=\frac{\sum_{i=1}^{n}\left(X_{i}-\overline{X}\right)\left(Y_{i}-\overline{Y}\right)}{n-1}

36 self-study  variance  covariance  descriptive-statistics  unbiased-estimator 

假设我具有多元正态N(μ,Σ)N(μ,Σ)N(\mu, \Sigma)密度。我想获得第二（局部的）衍生物WRT μμ\mu。不知道如何取矩阵的导数。 维基说在矩阵中逐个元素地取导数。 我正在使用拉普拉斯逼近 logPN(θ)=logPN−12(θ−θ^)TΣ−1(θ−θ^).log⁡PN(θ)=log⁡PN−12(θ−θ^)TΣ−1(θ−θ^).\log{P}_{N}(\theta)=\log {P}_{N}-\frac{1}{2}{(\theta-\hat{\theta})}^{T}{\Sigma}^{-1}(\theta-\hat{\theta}) \>. 模式是 θ = μ。θ^=μθ^=μ\hat\theta=\mu 我得到Σ−1=−∂2∂θ2logp(θ^|y),Σ−1=−∂2∂θ2log⁡p(θ^|y),{\Sigma}^{-1}=-\frac{{{\partial }^{2}}}{\partial {{\theta }^{2}}}\log p(\hat{\theta }|y),这究竟是怎么来的呢？ 我所做的： logP(θ|y)=−k2log2π−12log|Σ|−12(θ−θ^)TΣ−1(θ−θ^)log⁡P(θ|y)=−k2log⁡2π−12log⁡|Σ|−12(θ−θ^)TΣ−1(θ−θ^)\log P(\theta|y) = -\frac{k}{2} \log 2 \pi - \frac{1}{2} \log \left| \Sigma \right| - \frac{1}{2} {(\theta-\hat \theta)}^{T}{\Sigma}^{-1}(\theta-\hat\theta) 因此，我将导数wrt取到θθ\theta，首先是有转置，其次是矩阵。所以，我被困住了。 注意：如果我的教授遇到此问题，则是指该讲座。

35 self-study  normal-distribution  matrix 

我在这里看到了一些关于外行的含义的问题，但是对于我来说，这些对于我来说太过外行了。我试图从数学上理解AIC分数的含义。 但是同时，我也不想得到一个严格的证据，使我看不到更重要的观点。例如，如果这是微积分，那么我将对无穷小感到满意，而如果这是概率论，那么如果没有度量理论，我将感到满意。 我的尝试 通过在此处阅读以及我自己的一些表示法糖AICm,DAICm,D\text{AIC}_{m,D}是数据集D上模型的AIC准则，如下所示： AIC m ，D = 2 k m − 2 ln （L m ，D） 其中k m为模型m的参数个数，L m ，D是模型m在数据集D上的最大似然函数值。mmmDDDAICm,D=2km−2ln(Lm,D)AICm,D=2km−2ln⁡(Lm,D) \text{AIC}_{m,D} = 2k_m - 2 \ln(L_{m,D}) kmkmk_mmmmLm,DLm,DL_{m,D}mmmDDD 这是我对上述含义的理解： m=arg maxθPr(D|θ)m=arg maxθPr(D|θ) m = \underset{\theta}{\text{arg max}\,} \Pr(D|\theta) 这条路： kmkmk_m是的参数数。mmm Lm,D=Pr(D|m)=L(m|D)Lm,D=Pr(D|m)=L(m|D)L_{m,D} = \Pr(D|m) = \mathcal{L}(m|D)。 现在让我们重写AIC： AICm,D===2km−2ln(Lm,D)2km−2ln(Pr(D|m))2km−2loge(Pr(D|m))AICm,D=2km−2ln⁡(Lm,D)=2km−2ln⁡(Pr(D|m))=2km−2loge⁡(Pr(D|m))\begin{split} \text{AIC}_{m,D} =& 2k_m - …

34 self-study  model-selection  aic  entropy  information-theory 

首先，我要说这是书本上的作业问题。我花了几个小时寻找如何找到期望值，并确定自己一无所知。 令具有CDF。 找到为的那些值针对的存在。XXXF(x)=1−x−α,x≥1F(x)=1−x−α,x≥1F(x) = 1 - x^{-\alpha}, x\ge1E(X)E(X)E(X)αα\alphaE(X)E(X)E(X) 我什至不知道该如何开始。如何确定存在值？我也不知道如何处理CDF（我假设这意味着累积分布函数）。当您具有频率函数或密度函数时，有一些公式可以找到期望值。维基百科说，可以用概率密度函数来定义的CDF，如下所示：αα\alphaXXXfff F(x)=∫x−∞f(t)dtF(x)=∫−∞xf(t)dtF(x) = \int_{-\infty}^x f(t)\,dt 据我所知。我从这里去哪里？ 编辑：我的意思是把。x≥1x≥1x\ge1

34 self-study  expected-value 

这是我得到的一个简单的统计问题。我不太确定我是否理解。 X =考试中获得的分数（多项选择和正确答案是1分）。X二项式分布吗？ 教授的答案是： 是的，因为只有正确或错误的答案。 我的答案： 不，因为每个问题都有不同的“成功概率” p。据我所知，二项式分布只是一系列的伯努利实验，每个实验都有一个简单的结果（成功或失败），并且具有给定的成功概率p（并且所有关于p都是“相同的”）。例如，将（普通）硬币翻转100次，这就是100次Bernoulli实验，所有实验都具有p = 0.5。但是这里的问题有不同的p对吗？

31 self-study  binomial