Perguntas com a marcação «marginal»

Estou tentando expandir meu conhecimento de estatística. Eu venho de uma experiência em ciências físicas com uma abordagem "baseada em receita" para testes estatísticos, onde dizemos que é contínuo, é normalmente distribuído - regressão OLS . Na minha leitura, encontrei os termos: modelo de efeitos aleatórios, modelo de efeitos fixos, …

49 random-effects-model  fixed-effects-model  marginal 

Há já algum tempo que procuro uma boa leitura introdutória sobre Copulas para o meu seminário. Estou encontrando muito material que fala sobre aspectos teóricos, o que é bom, mas antes de passar para eles, estou procurando construir um bom entendimento intuitivo sobre o assunto. Alguém poderia sugerir bons artigos …

25 correlation  references  marginal  copula 

Estou analisando um conjunto de dados usando um modelo de efeitos mistos com um efeito fixo (condição) e dois efeitos aleatórios (participante devido ao design do sujeito e ao par). O modelo foi gerado com o lme4pacote: exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp). Em seguida, realizei um teste de razão de verossimilhança desse modelo em …

15 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

Seja px,ypx,yp_{x,y} uma distribuição conjunta de duas variáveis ​​categóricas X,YX,YX,Y , com x,y∈{1,…,K}x,y∈{1,…,K}x,y\in\{1,\ldots,K\} . Digamos que nnn amostras foram retiradas dessa distribuição, mas recebemos apenas as contagens marginais, ou seja, para j=1,…,Kj=1,…,Kj=1,\ldots,K : Sj=∑i=1nδ(Xi=l),Tj=∑i=1nδ(Yi=j),Sj=∑i=1nδ(Xi=l),Tj=∑i=1nδ(Yi=j), S_j = \sum_{i=1}^{n}{\delta(X_i=l)}, T_j = \sum_{i=1}^{n}{\delta(Y_i=j)}, Qual é o estimador de máxima verossimilhança para px,ypx,yp_{x,y} , …

12 categorical-data  maximum-likelihood  joint-distribution  marginal  maximum-entropy 

Alguém tem uma idéia sobre por que a correlação condicional entre duas variáveis ​​é chamada correlação "parcial" e a correlação simples entre elas (portanto, quando não está condicionada a nenhuma outra variável) é chamada correlação "marginal"? Qual é a intuição por trás das palavras "parcial" e "marginal"? O que eles …

12 correlation  terminology  marginal  partial-correlation 

Eu quero provar de uma densidade univariada mas eu só sei o relacionamento:fXfXf_X fX( x ) = ∫fX| Y( x | y) fY( y) dy.fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. Eu quero evitar o uso do MCMC (diretamente na representação integral) e, como e são fáceis de amostrar, eu …

12 sampling  conditional-probability  monte-carlo  marginal 

Um dos problemas no meu livro é apresentado da seguinte maneira. Um vetor contínuo estocástico bidimensional tem a seguinte função de densidade: fX, Y( x , y) = { 15 x y20 0se 0 <x <1 e 0 <y <xde outra formafX,Y(x,y)={15xy2if 0 < x < 1 and 0 < …

10 self-study  random-variable  marginal  joint-distribution 

Um fator Bayes é definido no teste bayesiano de hipóteses e na seleção do modelo bayesiano pela razão de duas probabilidades marginais: dada uma amostra iid e respectivas densidades amostrais e , com as anteriores correspondentes e , o fator Bayes para comparar os dois modelos é Um livro que …

9 bayes  marginal  sequential-analysis  bayes-factors 

Estou tentando calcular a probabilidade marginal de um modelo estatístico pelos métodos de Monte Carlo: f( x ) = ∫f( x ∣ θ ) π( θ )dθf(x)=∫f(x∣θ)π(θ)dθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta A probabilidade é bem comportada - suave, côncava -, mas de alta dimensão. Eu tentei amostragem de importância, …

9 monte-carlo  likelihood  marginal 

Como o título diz, estou procurando as densidades marginais def(x,y)=c1−x2−y2−−−−−−−−−√,x2+y2≤1.f(x,y)=c1−x2−y2,x2+y2≤1.f (x,y) = c \sqrt{1 - x^2 - y^2}, x^2 + y^2 \leq 1. Até agora, descobri que é . Eu descobri isso convertendo em coordenadas polares e integrando sobre , e é por isso que estou preso na parte de …

9 self-study  marginal  multivariable 

Geralmente, existem muitas distribuições conjuntas consistentes com um conjunto conhecido de distribuições marginais .P(X1=x1,X2=x2,...,Xn=xn)P(X1=x1,X2=x2,...,Xn=xn)P(X_1 = x_1, X_2 = x_2, ..., X_n = x_n)fi(xi)=P(Xi=xi)fi(xi)=P(Xi=xi)f_i(x_i) = P(X_i = x_i) Destas distribuições conjuntas, o produto é formado pelo produto dos marginais aquele com a maior entropia?∏ifi(xi)∏ifi(xi)\prod_i f_i(x_i) Certamente acredito que isso é verdade, …

9 distributions  joint-distribution  marginal  maximum-entropy 

Dada a probabilidade gaussiana de uma amostra como com sendo o espaço de parâmetro e , parametrizações arbitrárias do vetor médio e da matriz de covariância.yyyp(y|θ)=N(y;μ(θ),Σ(θ))p(y|θ)=N(y;μ(θ),Σ(θ))p(y|\theta) = \mathcal{N}(y;\mu(\theta),\Sigma(\theta))ΘΘ\Thetaμ(θ)μ(θ)\mu(\theta)Σ(θ)Σ(θ)\Sigma(\theta) É possível especificar uma densidade anterior e parametrização do vetor médio e a matriz de covariância modo que a probabilidade marginal é …

8 normal-distribution  mixed-model  prior  marginal  conjugate-prior 

Suponhamos que temos variável aleatória distribuído como L [ 0 , 1 ] e X 2 distribuído como L [ 0 , X 1 ] , em que L [ a , b ] significa distribuição uniforme no intervalo [ a , b ] .X1X1X_1você[ 0 , 1 ]U[0,1]U[0,1]X2X2X_2você[ 0 …

8 pdf  marginal  joint-distribution 

No problema de triagem de mamografia comumente mencionado, com uma probabilidade de triagem de 80%, um valor anterior a 10% e uma taxa de falsos positivos de 50%, ou suas variantes, é fácil explicar que a probabilidade condicional posterior de uma triagem positiva indicar um câncer está presente é de …

8 normalization  bayes  marginal 

Considere um processo estocástico seguindo o modelo que .{Xt,t=1,2,…}{Xt,t=1,2,…}\{X_t, t = 1, 2, \ldots\}Xt=αXt−1+et,Xt=αXt−1+et,X_t = \alpha X_{t-1} + e_t,et∼fet∼fe_t \thicksim f Posso dizer que a distribuição do ponto inicial, , é a mesma que ?X1X1X_1fff Posso dizer que a densidade marginal estacionária, se existir, de é igual a ?{Xt}{Xt}\{X_t\}X2(=DαX1+e2)X2(=DαX1+e2)X_2 (\stackrel{D}{=}\alpha …

6 pdf  markov-process  stationarity  autoregressive  marginal