Sto esaminando alcuni problemi, e in alcuni, per testare i coefficienti, a volte vedo persone che usano la distribuzione di Student, e a volte vedo distribuzione normale. Qual è la regola?
In parole povere: ho una regressione multipla o un modello ANOVA ma la variabile di risposta per ogni individuo è una funzione curvilinea del tempo. Come posso sapere quale delle variabili del lato destro sono responsabili di differenze significative nelle forme o negli offset verticali delle curve? È un problema …
Sto usando il pacchetto quantreg per creare un modello di regressione usando il 99 ° percentile dei miei valori in un set di dati. Sulla base dei consigli di una precedente domanda StackOverflow che ho posto, ho usato la seguente struttura di codice. mod <- rq(y ~ log(x), data=df, tau=.99) …
Sto finendo alcune analisi su un ampio set di dati. Vorrei prendere il modello lineare utilizzato nella prima parte del lavoro e rimontarlo utilizzando un modello misto lineare (LME). L'LME sarebbe molto simile con l'eccezione che una delle variabili utilizzate nel modello sarebbe utilizzata come effetto casuale. Questi dati provengono …
C'è un modo semplice per applicare la formula della linea di tendenza da un grafico a un dato valore X in Excel? Ad esempio, voglio ottenere il valore Y per una data X = $ 2,006,00. Ho già preso la formula e l'ho riscritta come segue: =-0.000000000008*X^3 - 0.00000001*X^2 + …
Devo disegnare una grafica complessa per l'analisi dei dati visivi. Ho 2 variabili e un gran numero di casi (> 1000). Ad esempio (il numero è 100 se si rende la dispersione meno "normale"): x <- rnorm(100,mean=95,sd=50) y <- rnorm(100,mean=35,sd=20) d <- data.frame(x=x,y=y) 1) Devo tracciare dati grezzi con dimensioni …
Esiste un modo per tracciare la linea di regressione di un modello a tratti come questo, oltre a usare linesper tracciare ciascun segmento separatamente o usare geom_smooth(aes(group=Ind), method="lm", fill=FALSE)? m.sqft <- mean(sqft) model <- lm(price~sqft+I((sqft-m.sqft)*Ind)) # sqft, price: continuous variables, Ind: if sqft>mean(sqft) then 1 else 0 plot(sqft,price) abline(reg = …
Il modello sottostante di PLS è che una data matrice e vettore sono correlate da dove è una matrice latente ed sono termini di rumore (supponendo che siano centrati).X n y X = T P ′ + E , y = T q ′ + f , T n × …
Sto adattando un modello lineare in R usando glmnet. Il modello originale (non regolarizzato) è stato montato usando lme non aveva un termine costante (cioè era nella forma lm(y~0+x1+x2,data)). glmnetprende una matrice di predittori e un vettore di risposte. Ho letto la glmnetdocumentazione e non trovo alcuna menzione del termine …
"Regressione spuria" (nel contesto di serie temporali) e termini associati come test di radice unitaria sono qualcosa di cui ho sentito parlare molto, ma che non ho mai capito. Perché / quando, intuitivamente, si verifica? (Credo che sia quando le tue due serie temporali sono cointegrate, cioè una combinazione lineare …
Ho letto alcuni dei Generalized Least Squares (GLS) e ho cercato di ricollegarlo al mio background econometrico di base. Ricordo che frequentavo la scuola elementare usando Seemingly Unrelated Regression (SUR) che sembra in qualche modo simile a GLS. Un articolo su cui mi sono imbattuto ha persino definito SUR come …
Quando eseguo la regressione lineare multipla OLS, anziché tracciare i residui rispetto ai valori adattati, tracciamo i residui (interni) studentizzati rispetto ai valori adattati (idem per le covariate). Questi residui sono definiti come: e∗i=eis2(1−hii)−−−−−−−−−√ei∗=eis2(1−hii)\begin{equation} e^*_i = \frac{e_i}{\sqrt{s^2 (1-h_{ii})}} \end{equation} dove è il residuo e sono gli elementi diagonali della matrice …
Supponiamo che io sia interessato a un modello di regressione lineare, per , perché vorrei vedere se un'interazione tra le due covariate ha un effetto su Y.Yio= β0+ β1X1+ β2X2+ β3X1X2Yi=β0+β1x1+β2x2+β3x1x2Y_i = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2 Nelle note di un corso per professori (con cui non ho …
Supponiamo di avere un modello Yio= β0+ β1XI 1+ β2Xi 2+ ⋯ + βKXi k+ ϵioYi=β0+β1Xi1+β2Xi2+⋯+βkXik+ϵiY_i = \beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + \dots + \beta_kX_{ik} + \epsilon_i . La regressione ha una serie di ipotesi, come ad esempio che gli errori dovrebbero essere normalmente distribuiti con zero medio e …
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.