Questions tagged «variance»

我想完全理解描述变量之间变化量的的概念。每个网络的解释都有些机械和晦涩。我想“理解”这个概念，而不仅仅是机械地使用数字。[R2r2r^2 例如：学习时数与考试成绩 = 0.8[Rrr = .64[R2r2r^2 那么这是什么意思？ 考试成绩变异性的64％可以用小时来解释吗？ 我们怎么知道只是平方呢？

21 regression  correlation  variance 

根据我正在使用的文本，第残差的方差公式为：ithithi^{th} σ2(1−1n−(xi−x¯¯¯)2Sxx)σ2(1−1n−(xi−x¯)2Sxx)\sigma^2\left ( 1-\frac{1}{n}-\frac{(x_{i}-\overline{x})^2}{S_{xx}} \right ) 我发现这难以置信，因为第残差是第观测值与第拟合值之间的差。如果要计算差异的方差，那么至少我会期望结果表达式中有些“加”。任何理解推导的帮助将不胜感激。ithithi^{th}ithithi^{th}ithithi^{th}

21 regression  variance  residuals 

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 

请证明，如果我们有两个变量（等于样本大小）XXX和YYY和方差在比大于，那么的平方差之内的数据点之间（即平方欧氏距离）也大于在内。Y X YXXXYYYXXXYYY

20 variance  distance 

精度定义为： p = true positives / (true positives + false positives) 对不对，作为true positives和false positives做法0，精度接近1？ 召回相同的问题： r = true positives / (true positives + false negatives) 我目前正在实施统计测试，需要计算这些值，有时分母为0，我想知道在这种情况下应返回哪个值。 PS：请原谅，不恰当的标签，我想用recall，precision和limit，但我不能创造新的标签呢。

20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

有没有一个词是“方差的倒数”？也就是说，如果方差高，则低。对近义词（例如“协议”或“相似性”）不感兴趣，但具体含义是？X ... 1 / σ 2XXXXXX……\dots1 / σ21个/σ21/\sigma^2

19 bayesian  variance  terminology  precision 

对于许多人来说，这可能是一个简单的问题，但这是： 为什么不将方差定义为彼此跟随的每个值之间的差异，而不是平均值的差异？ 对我来说，这将是更合乎逻辑的选择，我想我显然已经忽略了一些缺点。谢谢 编辑： 让我尽可能清楚地改写一下。这就是我的意思： 假设您有一系列数字，顺序为：1、2、3、4、5 计算并总结（绝对，连续）每个值之间的差异（连续，在每个后续值之间，而不是成对）（不使用平均值）。 除以差异数量 （后续：如果数字是无序的，答案会有所不同） ->与方差的标准公式相比，此方法有哪些缺点？

19 variance 

这是造成问题的更一般的处理 这个问题。在得出样本方差的渐近分布之后，我们可以应用Delta方法得出标准差的相应分布。 设一个大小为的iid 非正态随机变量，均值和方差。将样本均值和样本方差设置为 { X i } ，nnn{Xi},i=1,...,n{Xi},i=1,...,n\{X_i\},\;\; i=1,...,nμμ\muσ2σ2\sigma^2x¯=1n∑i=1nXi,s2=1n−1∑i=1n(Xi−x¯)2x¯=1n∑i=1nXi,s2=1n−1∑i=1n(Xi−x¯)2\bar x = \frac 1n \sum_{i=1}^nX_i,\;\;\; s^2 = \frac 1{n-1} \sum_{i=1}^n(X_i-\bar x)^2 我们知道 E(s2)=σ2,Var(s2)=1n(μ4−n−3n−1σ4)E(s2)=σ2,Var⁡(s2)=1n(μ4−n−3n−1σ4)E(s^2) = \sigma^2, \;\;\; \operatorname {Var}(s^2) = \frac{1}{n} \left(\mu_4 - \frac{n-3}{n-1}\sigma^4\right) 其中μ4=E(Xi−μ)4μ4=E(Xi−μ)4\mu_4 = E(X_i -\mu)^4，我们将注意力集中在需要存在且有限的矩，确实存在且为有限矩的分布上。 它持有吗 n−−√(s2−σ2)→dN(0,μ4−σ4)?n(s2−σ2)→dN(0,μ4−σ4)?\sqrt n(s^2 - \sigma^2) \rightarrow_d N\left(0,\mu_4 - \sigma^4\right)\;\; ?

19 mathematical-statistics  variance  central-limit-theorem  asymptotics 

我正在读这篇笔记。 在第2页上，它指出： “给定的回归模型可以解释多少数据差异？” “回归解释是关于系数的均值；推论是关于它们的方差。” 我已经多次阅读过此类陈述，为什么我们会关心“给定的回归模型可以解释数据中的多少差异？”……更具体地说，为什么“差异”呢？

19 regression  variance  interpretation 

如果XXX是满秩，逆X Ť XXTXX^TX存在并且我们得到的最小二乘估计：β = （X Ť X ）- 1 X ÿβ^=(XTX)−1XY\hat\beta = (X^TX)^{-1}XY 和VAR （β）= σ 2（X Ť X ）- 1Var(β^)=σ2(XTX)−1\operatorname{Var}(\hat\beta) = \sigma^2(X^TX)^{-1} 我们如何在方差公式中直观地解释？推导技术对我来说很清楚。（X T X ）− 1(XTX)−1(X^TX)^{-1}

18 regression  variance  least-squares 

在这个心理测量学网站上，我读到了 [A]深水平方差是比标准差更基本的概念。 该站点并没有真正进一步解释为什么方差比标准偏差更根本，但是它提醒我我在该站点上已经阅读了一些类似的内容。 例如，@ kjetil-b-halvorsen 在此评论中写道：“标准差有助于解释和报告。对于发展该理论，方差更好。” 我认为这些声明是相关的，但我并不真正理解它们。我知道样本方差的平方根并不是总体标准偏差的无偏估计量，但是肯定有更多的东西。 对于这个网站，“基本”一词也许含糊不清。在那种情况下，也许我们可以从发展统计理论的角度出发，问问方差是否比标准差更重要？为什么/为什么不呢？

18 variance  standard-deviation 

这个问题以前已经提出过，但是我想问一个具体的问题，试图得出一个可以澄清（和分类）它的答案： 在“穷人的无症状”中， （a）概率收敛为常数的一系列随机变量 与之相反 （b）一系列随机变量，其概率收敛于一个随机变量（因此分布于该变量）。 但是在“智者的渐近”中，我们也可以 （c）一系列随机变量，它们的概率收敛到一个常数，同时在极限处保持非零方差。 我的问题是（从下面我自己的探索性答案中窃取）： 我们如何才能理解渐近一致但也具有非零的有限方差的估计量？这种差异反映了什么？它的行为与“通常的”一致估计量有何不同？ 与（c）中描述的现象相关的线程（另请参见注释）： 一致估计和无偏估计之间有什么区别？ /stats/120553/convergence-of-an-estimator-with-infinite-variance 为什么渐近一致估计量在无穷大处没有零方差？ 几乎可以确定收敛和极限方差为零

18 mathematical-statistics  variance  convergence  asymptotics  consistency 

我正在停电。为我提供了以下图片，以展示线性回归背景下的偏差方差折衷： 我可以看到，这两个模型都不是很好的拟合-“简单”不能理解XY关系的复杂性，而“复杂”只是过拟合，基本上是从心里学习训练数据。但是，我完全看不到这两张图片中的偏差和差异。有人可以告诉我吗？ PS：对偏差方差折衷的直观解释的答案？并没有真正帮助我，如果有人可以根据上述图片提供其他方法，我将感到非常高兴。

18 regression  variance  bias 

我不知道这是否曾经被问过，但是我什么也没找到。我的问题是，是否有人可以提供一个很好的参考，以学习如何获得混合效应模型中固定和随机因素分别解释的方差比例。

18 mixed-model  variance 

无偏加权方差已在此处和其他地方得到解决，但似乎仍然令人惊讶。对于第一个链接以及Wikipedia文章中提供的公式似乎已达成共识。这也看起来像R，Mathematica和GSL（而不是MATLAB）使用的公式。但是，Wikipedia文章还包含以下几行，对于加权方差实现而言，这看起来很不错： 例如，如果从同一分布中得出值{2,2,4,5,5,5}，那么我们可以将此集合视为未加权样本，也可以将其视为加权样本{2,4， 5}和相应的权重{2,1,3}，我们应该得到相同的结果。 我的计算得出原始值的方差为2.1667，加权方差为2.9545。我真的应该期望它们是一样的吗？为什么或者为什么不？

17 variance  weighted-mean  weighted-data