Câu hỏi được gắn thẻ «residuals»

Phần dư của một mô hình là các giá trị thực tế trừ đi các giá trị dự đoán. Nhiều mô hình thống kê đưa ra các giả định về lỗi, được ước tính bởi phần dư.


2
Tại sao chúng ta sử dụng phần dư để kiểm tra các giả định về lỗi trong hồi quy?
Giả sử rằng chúng ta có một mô hình .Yi=β0+β1Xi1+β2Xi2+⋯+βkXik+ϵiYi=β0+β1Xi1+β2Xi2+⋯+βkXik+ϵiY_i = \beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + \dots + \beta_kX_{ik} + \epsilon_i Hồi quy có một số giả định, chẳng hạn như các lỗi nên được phân phối bình thường với giá trị trung bình bằng 0 và phương sai …




2
Quan sát lệch so với phân phối đối xứng
Điều này khá khó đối với tôi để mô tả, nhưng tôi sẽ cố gắng làm cho vấn đề của mình trở nên dễ hiểu. Vì vậy, trước tiên bạn phải biết rằng tôi đã thực hiện một hồi quy tuyến tính rất đơn giản cho đến nay. Trước khi …


4
Có thể phân hủy phần dư được trang bị thành sai lệch và phương sai, sau khi lắp mô hình tuyến tính?
Tôi muốn phân loại các điểm dữ liệu là cần một mô hình phức tạp hơn hoặc không cần một mô hình phức tạp hơn. Suy nghĩ hiện tại của tôi là điều chỉnh tất cả dữ liệu cho một mô hình tuyến tính đơn giản và quan sát kích …

2
Làm thế nào để dư có liên quan đến các rối loạn cơ bản?
Trong phương pháp bình phương tối thiểu, chúng tôi muốn ước tính các tham số chưa biết trong mô hình: Yj=α+βxj+εj(j=1...n)Yj=α+βxj+εj(j=1...n)Y_j = \alpha + \beta x_j + \varepsilon_j \enspace (j=1...n) Khi chúng tôi đã thực hiện điều đó (đối với một số giá trị được quan sát), chúng tôi nhận …

2
Tại sao phần dư của Pearson từ hồi quy nhị thức âm nhỏ hơn so với hồi quy poisson?
Tôi có những dữ liệu này: set.seed(1) predictor <- rnorm(20) set.seed(1) counts <- c(sample(1:1000, 20)) df <- data.frame(counts, predictor) Tôi đã chạy một hồi quy poisson poisson_counts <- glm(counts ~ predictor, data = df, family = "poisson") Và một hồi quy nhị thức âm: require(MASS) nb_counts <- glm.nb(counts ~ predictor, …






Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.