Câu hỏi được gắn thẻ «simulation»

Một khu vực rộng lớn bao gồm tạo kết quả từ các mô hình máy tính.

1
Làm cách nào để kết hợp một ngoại lệ đổi mới khi quan sát 48 trong mô hình ARIMA của tôi?
Tôi đang làm việc trên một tập dữ liệu. Sau khi sử dụng một số kỹ thuật nhận dạng mô hình, tôi đã đưa ra mô hình ARIMA (0,2,1). Tôi đã sử dụng detectIOhàm trong gói TSAtrong R để phát hiện một ngoại lệ đổi mới (IO) ở lần quan …
10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 
1
Tại sao Anova () và drop1 () cung cấp các câu trả lời khác nhau cho GLMM?
Tôi có một GLMM có dạng: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Khi tôi sử dụng drop1(model, test="Chi"), tôi nhận được kết quả khác với nếu tôi sử dụng Anova(model, type="III")từ gói xe hơi hoặc summary(model). Hai cái sau cho cùng một …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
4
Giải thích về mô phỏng thống kê
Tôi không phải là một nhà thống kê. Vì vậy, xin vui lòng chịu với sai lầm ngớ ngẩn của tôi nếu có. Bạn vui lòng giải thích một cách đơn giản cách mô phỏng được thực hiện? Tôi biết rằng nó chọn một số mẫu ngẫu nhiên từ một …
10 simulation 
1
Thấp hơn phạm vi bảo hiểm dự kiến ​​để lấy mẫu quan trọng với mô phỏng
Tôi đã cố gắng để trả lời câu hỏi Đánh giá không thể thiếu với Tầm quan trọng lấy mẫu phương pháp trong R . Về cơ bản, người dùng cần tính toán ∫π0f(x)dx=∫π01cos(x)2+x2dx∫0πf(x)dx=∫0π1cos⁡(x)2+x2dx\int_{0}^{\pi}f(x)dx=\int_{0}^{\pi}\frac{1}{\cos(x)^2+x^2}dx sử dụng phân phối theo cấp số nhân làm phân phối quan trọng q(x)=λ exp−λxq(x)=λ exp−λxq(x)=\lambda\ …
1
Làm thế nào để tối ưu hóa chênh lệch rút ra khi tính toán nhiều kỳ vọng
Giả sử chúng ta muốn tính toán một số kỳ vọng: EYEX|Y[f(X,Y)]EYEX|Y[f(X,Y)]E_YE_{X|Y}[f(X,Y)] Giả sử chúng ta muốn ước tính điều này bằng cách sử dụng mô phỏng Monte Carlo. EYEX|Y[f(X,Y)]≈1RS∑r=1R∑s=1Sf(xr,s,yr)EYEX|Y[f(X,Y)]≈1RS∑r=1R∑s=1Sf(xr,s,yr)E_YE_{X|Y}[f(X,Y)] \approx \frac1{RS}\sum_{r=1}^R\sum_{s=1}^Sf(x^{r,s},y^r) NHƯNG giả sử việc rút mẫu từ cả hai bản phân phối là rất tốn kém, do đó …
3
Mô phỏng biến Bernoulli với xác suất bằng cách sử dụng đồng xu thiên vị
Ai đó có thể cho tôi biết cách mô phỏng , trong đó , sử dụng tung đồng xu (bao nhiêu lần bạn yêu cầu) với ?a,b∈NP(H)=pBernoulli(ab)Bernoulli(ab)\mathrm{Bernoulli}\left({a\over b}\right)a,b∈Na,b∈Na,b\in \mathbb{N}P(H)=pP(H)=pP(H)=p Tôi đã nghĩ đến việc sử dụng lấy mẫu từ chối, nhưng không thể đóng nó xuống.
1
Làm thế nào để giải thích các biến được loại trừ hoặc bao gồm trong mô hình Lasso?
Tôi đã nhận được từ các bài đăng khác rằng người ta không thể gán thuộc tính 'tầm quan trọng' hoặc 'tầm quan trọng' cho các biến dự đoán nhập vào mô hình Lasso vì việc tính giá trị p của các biến đó hoặc độ lệch chuẩn vẫn đang …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.