Запитання з тегом «regression-coefficients»

[Аналогічне питання було поставлене тут , без відповідей] Мені підходить модель логістичної регресії з регуляризацією L1 (логістична регресія Лассо), і я хотів би перевірити встановлені коефіцієнти на значущість та отримати їхні p-значення. Я знаю, що тести Уолда (наприклад) - це можливість перевірити значущість окремих коефіцієнтів у повній регресії без регуляризації, …

10 logistic  statistical-significance  regression-coefficients  lasso 

Тому, перш за все, я провів деякі дослідження на цьому форумі, і мені відомо, що вони задавали надзвичайно подібні запитання, але вони, як правило, не відповідають належним чином, або іноді відповідь просто недостатньо детальна, щоб я зрозумів. Тож цього разу моє запитання таке: у мене є два набори даних, на …

10 r  regression  statistical-significance  regression-coefficients  group-differences 

Я працюю з деякими реальними даними, і регресійні моделі дають певні протиінтуїтивні результати. Зазвичай я довіряю статистиці, але насправді деякі з цих речей не можуть бути правдивими. Основна проблема, яку я бачу, полягає в тому, що збільшення однієї змінної викликає посилення реакції, коли насправді вони мають негативно співвідноситись. Чи є …

10 r  regression  regression-coefficients  computational-statistics 

Мені потрібно порівняти два регресійні схили, де: $ y_1 ~ a + b_1x y_2 ~ a + b_2x $ Як я можу порівняти b1 і b2? Або мовою мого конкретного прикладу у гризунів я хочу порівняти antero-posterior diameter ~ a + b1 * humeral length de naso-occipital length ~ a …

10 regression  regression-coefficients 

Гранична модель враховує кореляції всередині кожного кластера. Умовна модель також враховує кореляцію в межах кожного кластера. Мої запитання: Чи маргінальна модель моделює основні ефекти для всієї сукупності, тоді як умовна модель моделює основні ефекти в кластері та в цілій популяції? Інтерпретація коефіцієнтів граничної моделі в основному така ж, як "звичайна …

10 repeated-measures  interpretation  regression-coefficients  marginal-model 

Моя ситуація така: У мене є 1 безперервна залежна та 1 безперервна змінна предиктора, яку я логарифмічно перетворив, щоб нормалізувати їх залишки для простої лінійної регресії. Я вдячний за будь-яку допомогу щодо того, як я можу співвідносити ці перетворені змінні з їх початковим контекстом. Я хочу використовувати лінійну регресію, щоб …

10 regression  data-transformation  regression-coefficients  logarithm 

Це лише приклад, на який я зустрічався кілька разів, тому у мене немає даних про вибірку. Запуск лінійної регресійної моделі в R: a.lm = lm(Y ~ x1 + x2) x1є суцільною змінною. x2категоричний і має три значення, наприклад "Низький", "Середній" та "Високий". Однак вихід, отриманий R, був би на кшталт: …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

У мене є набір даних з близько 5000 часто співвідносних функцій / коваріатів та двійкової відповіді. Дані мені дали, я не збирав їх. Я використовую Lasso і градієнтний прискорення для створення моделей. Я використовую ітераційну, вкладену перехресну перевірку. Я повідомляю про найбільші (абсолютні) коефіцієнти 40 Лассо та 40 найважливіших особливостей …

9 machine-learning  multiple-comparisons  regression-coefficients  lasso  high-dimensional 

Приклади: у мене є речення в описі посади: "Старший інженер Java у Великобританії". Я хочу використовувати модель глибокого навчання, щоб передбачити її як 2 категорії: English і IT jobs. Якщо я використовую традиційну модель класифікації, вона може передбачити лише 1 мітку з softmaxфункцією на останньому шарі. Таким чином, я можу …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

Я намагаюся інтерпретувати результати статті, де вони застосували багаторазову регресію для прогнозування різних результатів. Однакββ\beta's (стандартизовані коефіцієнти B, визначені як βх1=Бх1⋅S Dх1S Dуβx1=Bx1⋅SDx1SDy\beta_{x_1} = B_{x_1} \cdot \frac{\mathrm{SD}_{x_1}}{\mathrm{SD}_y} де уyy є залежною змінною і х1x1x_1 є прогнозом) повідомляється, схоже, не відповідає повідомленому R2R2R^2: Попри ββ\beta з -0,83, -0,29, -0,16, -0,43, 0,25 …

9 regression  regression-coefficients  multicollinearity  r-squared 

У цій роботі ( Байєсівські умовиводи про варіаційні компоненти, що використовують лише контрасти помилок , Harville, 1974), автор стверджує бути "добре відомим співвідношення ", для лінійної регресії де (y−Xβ)′H−1(y−Xβ)=(y−Xβ^)′H−1(y−Xβ^)+(β−β^)′(X′H−1X)(β−β^)(y−Xβ)′H−1(y−Xβ)=(y−Xβ^)′H−1(y−Xβ^)+(β−β^)′(X′H−1X)(β−β^)(y-X\beta)'H^{-1}(y-X\beta)=(y-X\hat\beta)'H^{-1}(y-X\hat\beta)+(\beta-\hat\beta)'(X'H^{-1}X)(\beta-\hat\beta)y=Xβ+ϵ,y=Xβ+ϵ,y=X\beta+\epsilon,ϵ∼N(0,H).ϵ∼N(0,H).\epsilon\sim\mathcal{N}(0, H). Як це добре відомо? Який найпростіший спосіб довести це?

9 regression  regression-coefficients  heteroscedasticity  bias  linear-algebra 

Ось підсумок-висновок використовуваної нами Coxph-моделі (я використав R, а результат заснований на найкращій кінцевій моделі, тобто всі значущі пояснювальні змінні та їх взаємодії включені): coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1) n = 555 coef exp(coef) se(coef) z …

9 r  interaction  regression-coefficients  cox-model 

Використовуючи R, я встановив лінійну модель для однієї змінної відгуку з суміші безперервних та дискретних предикторів. Це є базовим, але я маю труднощі зрозуміти, як працює коефіцієнт для дискретного коефіцієнта. Поняття: Очевидно, що коефіцієнт неперервної змінної 'x' застосовується у формі, y = coefx(varx) + interceptале як це працює для коефіцієнта …

9 linear-model  regression-coefficients  contrasts