Perguntas com a marcação «regression-coefficients»

Os parâmetros de um modelo de regressão. Mais comumente, os valores pelos quais as variáveis ​​independentes serão multiplicadas para obter o valor previsto da variável dependente.

1
Recuperando coeficientes brutos e variações da regressão polinomial ortogonal
Parece que se eu tiver um modelo de regressão como yi∼β0+β1xi+β2x2i+β3x3iyi∼β0+β1xi+β2xi2+β3xi3y_i \sim \beta_0 + \beta_1 x_i+\beta_2 x_i^2 +\beta_3 x_i^3Posso ajustar um polinômio bruto e obter resultados não confiáveis ​​ou ajustar um polinômio ortogonal e obter coeficientes que não têm uma interpretação física direta (por exemplo, não posso usá-los para encontrar …
3
Modelo conjunto com termos de interação vs. regressões separadas para uma comparação de grupo
Depois de reunir um feedback valioso de perguntas e discussões anteriores, fiz a seguinte pergunta: suponha que o objetivo seja detectar diferenças de efeito em dois grupos, masculino e feminino, por exemplo. Existem duas maneiras de fazer isso: executando duas regressões separadas para os dois grupos e empregando o teste …
5
Como executar a imputação de valores em um número muito grande de pontos de dados?
Eu tenho um conjunto de dados muito grande e faltam cerca de 5% de valores aleatórios. Essas variáveis ​​estão correlacionadas entre si. O exemplo a seguir do conjunto de dados R é apenas um exemplo de brinquedo com dados correlatos simulados. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, …
12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 
1
Como interpretar um coeficiente de regressão linear negativo para uma variável de resultado registrado?
Eu tenho um modelo de regressão linear onde a variável dependente é registrada e uma variável independente é linear. O coeficiente de inclinação para uma variável independente chave é negativo: . Não sabe como interpretar.−.0564−.0564-.0564 Devo usar o valor absoluto e depois transformá-lo em negativo assim: (exp(0.0564)−1)⋅100=5.80(exp⁡(0.0564)−1)⋅100=5.80(\exp(0.0564)-1) \cdot 100 = …
3
Porque é que o produto dos coeficientes de regressão bivariada do -ON- linha e -ON- linha igual ao quadrado da correlação?
Há modelo de regressão, onde com e , que tem um coeficiente de correlação de .Y=a+bXY=uma+bXY = a + bXa=1.6uma=1.6a = 1.6b=0.4b=0,4b=0.4r=0.60302r=0,60302r = 0.60302 Se e são, em seguida, ligado em torno e a equação torna-se onde e , ele também tem uma valor de .XXXYYYX=c+dYX=c+dYX = c + dYc=0.4545c=0,4545c=0.4545d=0.9091d=0,9091d=0.9091rrr0.603020,603020.60302 …
1
R / mgcv: Por que os produtos tensores te () e ti () produzem superfícies diferentes?
O mgcvpacote para Rpossui duas funções para ajustar as interações do produto tensorial: te()e ti(). Entendo a divisão básica do trabalho entre os dois (ajustando uma interação não linear versus decompondo essa interação em efeitos principais e uma interação). O que não entendo é o porquê te(x1, x2)e ti(x1) + …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.