Domande taggate «r-squared»

Il coefficiente di determinazione, solitamente simboleggiato da , è la proporzione della varianza di risposta totale spiegata da un modello di regressione. Può essere utilizzato anche per vari pseudo R quadrati proposti, ad esempio per la regressione logistica (e altri modelli). R2

6
È
Stavo sfogliando alcune note di lezione di Cosma Shalizi (in particolare, la sezione 2.1.1 della seconda lezione ), e mi è stato ricordato che puoi ottenere molto bassi R2R2R^2anche quando hai un modello completamente lineare. Per parafrasare l'esempio di Shalizi: supponiamo di avere un modello Y=aX+ϵY=aX+ϵY = aX + \epsilon …
2
La rimozione del termine di intercettazione statisticamente significativo aumenta nel modello lineare
In un modello lineare semplice con una singola variabile esplicativa, αi=β0+β1δi+ϵiαi=β0+β1δi+ϵi\alpha_i = \beta_0 + \beta_1 \delta_i + \epsilon_i Trovo che la rimozione del termine di intercettazione migliora notevolmente l'adattamento (il valore di va da 0,3 a 0,9). Tuttavia, il termine di intercettazione sembra essere statisticamente significativo.R2R2R^2 Con intercetta: Call: lm(formula …
3
Quando è R al quadrato negativo?
La mia comprensione è che non può essere negativo in quanto è il quadrato di R. Tuttavia ho eseguito una semplice regressione lineare in SPSS con una singola variabile indipendente e una variabile dipendente. Il mio output SPSS mi dà un valore negativo per . Se dovessi calcolare questo a …
7
Quale misura pseudo- è quella da segnalare per la regressione logistica (Cox & Snell o Nagelkerke)?
Ho un SPSSoutput per un modello di regressione logistica. L'output riporta due misure per l'adattamento del modello Cox & Snelle Nagelkerke. Quindi, come regola empirica, quali di queste misure R2R²R^² riferiresti come modello adatto? Oppure, quale di questi indici di adattamento è quello che viene solitamente riportato nelle riviste? Alcuni …
3
Interpretazione del predittore e / o della risposta trasformati in tronchi
Mi chiedo se fa differenza nell'interpretazione se solo le variabili dipendenti, dipendenti e indipendenti, o solo le variabili indipendenti, vengono trasformate in log. Considera il caso di log(DV) = Intercept + B1*IV + Error Posso interpretare il IV come l'aumento percentuale, ma come cambia quando lo faccio log(DV) = Intercept …
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 
5
Relazione tra
Diciamo che ho due array monodimensionali, a1a1a_1 e a2a2a_2 . Ciascuno contiene 100 punti dati. a1a1a_1 sono i dati effettivi e a2a2a_2 è la previsione del modello. In questo caso, il valore di R2R2R^2 sarebbe: R2=1−SSresSStot (1).R2=1−SSresSStot (1). R^2 = 1 - \frac{SS_{res}}{SS_{tot}} \quad\quad\quad\quad\quad\ \ \quad\quad(1). Nel frattempo, questo sarebbe …
5
Come gestire i dati gerarchici / nidificati nell'apprendimento automatico
Spiegherò il mio problema con un esempio. Supponiamo di voler prevedere il reddito di un individuo in base ad alcuni attributi: {Età, Genere, Paese, Regione, Città}. Hai un set di dati di allenamento come questo train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", …
29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 
2
Qual è la distribuzione di nella regressione lineare sotto l'ipotesi nulla? Perché la sua modalità non è zero quando ?
Qual è la distribuzione del coefficiente di determinazione, o R al quadrato, , nella regressione multipla univariata lineare sotto l'ipotesi nulla ?R 2 R2R^2H 0 : β = 0H0:β=0H_0:\beta=0 In che modo dipende dal numero di predittori e dal numero di campioni ? Esiste un'espressione a forma chiusa per la …
1
Interpretazione geometrica del coefficiente di correlazione multipla e coefficiente di determinazione
Sono interessato al significato geometrico della correlazione multipla e del coefficiente di determinazione nella regressione o in notazione vettoriale,RRRR2R2R^2yi=β1+β2x2,i+⋯+βkxk,i+ϵiyi=β1+β2x2,i+⋯+βkxk,i+ϵiy_i = \beta_1 + \beta_2 x_{2,i} + \dots + \beta_k x_{k,i} + \epsilon_i y=Xβ+ϵy=Xβ+ϵ\mathbf{y} = \mathbf{X \beta} + \mathbf{\epsilon} Qui la matrice di progettazione XX\mathbf{X} ha nnn righe e kkk colonne, di …
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.