Sono appena stato introdotto (vagamente) alla brownian / distanza covarianza / correlazione . Sembra particolarmente utile in molte situazioni non lineari, quando si verifica la dipendenza. Ma non sembra essere usato molto spesso, anche se la covarianza / correlazione sono spesso usate per dati non lineari / caotici. Questo mi …
Mi chiedevo, è possibile avere un coefficiente di correlazione molto forte (diciamo .9 o superiore), con un valore di p elevato (diciamo .25 o superiore)? Ecco un esempio di un basso coefficiente di correlazione, con un valore p elevato: set.seed(10) y <- rnorm(100) x <- rnorm(100)+.1*y cor.test(x,y) cor = 0,03908927, …
Voglio cogliere appieno la nozione di descrive la quantità di variazione tra le variabili. Ogni spiegazione web è un po 'meccanica e ottusa. Voglio "ottenere" il concetto, non solo usare meccanicamente i numeri.r2r2r^2 Ad esempio: ore studiate vs. punteggio del test rrr = .8 r2r2r^2 = .64 Che cosa significa …
Mi chiedevo se fosse possibile generare variabili binomiali casuali correlate seguendo un approccio di trasformazione lineare? Di seguito, ho provato qualcosa di semplice in R e produce una certa correlazione. Ma mi chiedevo se esiste un modo di principio per farlo? X1 = rbinom(1e4, 6, .5) ; X2 = rbinom(1e4, …
Dopo aver eseguito l'analisi dei componenti principali (PCA), voglio proiettare un nuovo vettore nello spazio PCA (ovvero trovare le sue coordinate nel sistema di coordinate PCA). Ho calcolato PCA in linguaggio R utilizzando prcomp. Ora dovrei essere in grado di moltiplicare il mio vettore per la matrice di rotazione PCA. …
Ho due variabili che non mostrano molta correlazione quando vengono tracciate una contro l'altra così com'è, ma una relazione lineare molto chiara quando tracciamo i log di ciascuna variabile di nuovo rispetto all'altra. Quindi finirei con un modello del tipo: log(Y)=alog(X)+blog(Y)=alog(X)+b\log(Y) = a \log(X) + b , che è ottimo …
Supponiamo che X, YX,YX,Y siano variabili casuali continue con secondi momenti finiti. La versione della popolazione del coefficiente di correlazione rango di Spearman può essere definita come il coefficiente momento-prodotto ρ di Pearson degli integrali di probabilità trasforma e , dove F_X, F_Y sono i cdf di X e Y …
I dati per alcuni tipi di variabili tendono a non essere normali se misurati in particolari popolazioni (ad es. Livelli di depressione in una popolazione di persone con Disturbo Depressivo Maggiore). Dato che Pearson assume la normalità, quanto è solida la statistica test in condizioni di non normalità? Ho un …
Diciamo che collaudo come la variabile Ydipende dalla variabile Xin diverse condizioni sperimentali e ottengo il seguente grafico: Le linee tratteggiate nel grafico sopra rappresentano la regressione lineare per ciascuna serie di dati (configurazione sperimentale) e i numeri nella legenda indicano la correlazione di Pearson di ciascuna serie di dati. …
La precisione è definita come: p = true positives / (true positives + false positives) È corretto che, come true positivese false positivesavvicinarsi a 0, la precisione si avvicina a 1? Stessa domanda da ricordare: r = true positives / (true positives + false negatives) Attualmente sto implementando un test …
Più recentemente, ho letto due articoli. Il primo riguarda la storia della correlazione e il secondo riguarda il nuovo metodo chiamato Maximal Information Coefficient (MIC). Ho bisogno del tuo aiuto per capire il metodo MIC per stimare le correlazioni non lineari tra le variabili. Inoltre, le istruzioni per l'uso in …
Dalla pagina di Wikipedia intitolata correlazione non implica causalità , Per due eventi correlati, A e B, le diverse relazioni possibili includono: A causa B (causalità diretta); B causa A (causalità inversa); A e B sono conseguenze di una causa comune, ma non si causano a vicenda; A e B …
Uso la decomposizione di Cholesky per simulare variabili casuali correlate in base a una matrice di correlazione. Il fatto è che il risultato non riproduce mai la struttura di correlazione così come viene fornita. Ecco un piccolo esempio in Python per illustrare la situazione. import numpy as np n_obs = …
Se abbiamo 2 variabili casuali normali, non correlate allora possiamo creare 2 variabili casuali correlate con la formulaX1, X2X1,X2X_1, X_2 Y= ρ X1+ 1 - ρ2-----√X2Y=ρX1+1−ρ2X2Y=\rho X_1+ \sqrt{1-\rho^2} X_2 e poi avrà una correlazione con .ρYYYρρ\rhoX1X1X_1 Qualcuno può spiegare da dove proviene questa formula?
Sto cercando di generare una sequenza casuale correlata con media = , varianza = , coefficiente di correlazione = . Nel codice seguente, utilizzo & come deviazioni standard e & come mezzo.1 0,80001110.80.80.8s1s2m1m2 p = 0.8 u = randn(1, n) v = randn(1, n) x = s1 * u + …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.