Perguntas com a marcação «regression»

Alguns dias atrás, um psicólogo-pesquisador meu me contou sobre seu método para selecionar variáveis ​​para o modelo de regressão linear. Acho que não é bom, mas preciso pedir a alguém para ter certeza. O método é: Observe a matriz de correlação entre todas as variáveis ​​(incluindo a variável dependente Y) …

17 regression  correlation  model-selection 

Alguém conhece um bom artigo de revisão para a literatura estatística sobre regressão não linear? Estou interessado principalmente em resultados de consistência e assintóticos. De particular interesse é o modelo yeu t= m ( xeu t, θ ) + ϵeu t,yEut=m(xEut,θ)+ϵEut,y_{it} = m(x_{it},\theta) + \epsilon_{it}, para dados do painel. De …

17 regression  references  nonlinear-regression 

Eu encontrei alguns estatísticos que nunca usam modelos diferentes de regressão linear para previsão porque acreditam que "modelos de ML", como floresta aleatória ou aumento de gradiente, são difíceis de explicar ou "não interpretáveis". Em uma regressão linear, considerando que o conjunto de premissas é verificado (normalidade dos erros, homocedasticidade, …

16 regression  machine-learning  multiple-regression  model-interpretation 

O que é modelo nulo em regressão e qual a relação entre modelo nulo e hipótese nula? Para meu entendimento, isso significa Usando "média da variável de resposta" para prever a variável de resposta contínua? Usando a "distribuição de etiquetas" na previsão de variáveis ​​de resposta discretas? Se for esse …

16 regression  hypothesis-testing  classification  terminology  model 

Considere um problema de regressão OLS padrão : Eu tenho matrizes e \ X e quero encontrar \ B para minimizar L = \ | \ Y- \ X \ B \ | ^ 2. A solução é dada por \ hat \ B = \ argmin_ \ B \ …

16 regression  least-squares  ridge-regression 

Ao explicar a regressão do LASSO, o diagrama de um diamante e um círculo é frequentemente usado. Diz-se que, como o formato da restrição no LASSO é um diamante, a solução de mínimos quadrados obtida pode tocar o canto do diamante, levando a um encolhimento de alguma variável. No entanto, …

16 regression  lasso  ridge-regression 

Eu sei que os Pearson Residuals padronizados são obtidos de uma maneira probabilística tradicional: ri=yi−πiπi(1−πi)−−−−−−−−√ri=yi−πiπi(1−πi) r_i = \frac{y_i-\pi_i}{\sqrt{\pi_i(1-\pi_i)}} Residuais de Deviance e Deviance são obtidos de uma maneira mais estatística (a contribuição de cada ponto para a probabilidade): di=si−2[yilogπi^+(1−yi)log(1−πi)]−−−−−−−−−−−−−−−−−−−−−−−−−−√di=si−2[yilog⁡πi^+(1−yi)log⁡(1−πi)] d_i = s_i \sqrt{-2[y_i \log \hat{\pi_i} + (1 - y_i)\log(1-\pi_i)]} onde …

16 regression  logistic  generalized-linear-model  residuals  deviance 

Estou usando regressão linear múltipla para descrever as relações entre Y e X1, X2. Pela teoria, entendi que a regressão múltipla assume relações lineares entre Y e cada um de X (Y e X1, Y e X2). Não estou usando nenhuma transformação do X. Então, eu peguei o modelo com …

16 regression  multiple-regression  python  linear 

A regressão de Ridge estima parâmetros ββ\boldsymbol \beta em um modelo linear y=Xβy=Xβ\mathbf y = \mathbf X \boldsymbol \beta por β^λ=(X⊤X+λI)−1X⊤y,β^λ=(X⊤X+λI)−1X⊤y,\hat{\boldsymbol \beta}_\lambda = (\mathbf X^\top \mathbf X + \lambda \mathbf I)^{-1} \mathbf X^\top \mathbf y, que λλ\lambda é um parâmetro de regularização. É sabido que frequentemente apresenta um desempenho melhor …

16 regression  ridge-regression  shrinkage 

Ei pessoal, encontrei um ou dois trabalhos que usam regressão de cume (para dados de basquete). Sempre me disseram para padronizar minhas variáveis ​​se eu fizesse uma regressão de crista, mas simplesmente me disseram para fazer isso porque a crista era uma variante de escala (a regressão da crista não …

16 regression  standardization 

Nos últimos meses, li intensamente sobre a regressão quantílica em preparação para minha tese de mestrado neste verão. Especificamente, li a maior parte do livro de Roger Koenker em 2005 sobre o assunto. Agora, quero expandir esse conhecimento existente para técnicas de regressão quantílica que permitam variáveis ​​instrumentais (IV). Este …

16 regression  references  econometrics  instrumental-variables  quantile-regression 

Eu tenho dados para uma rede de estações meteorológicas nos Estados Unidos. Isso me fornece um quadro de dados que contém data, latitude, longitude e algum valor medido. Suponha que os dados sejam coletados uma vez por dia e conduzidos pelo clima em escala regional (não, não entraremos nessa discussão). …

16 r  regression  data-visualization  pca  spatial 

Não tenho certeza se normalizar é a palavra correta a ser usada aqui, mas tentarei ilustrar o que estou tentando perguntar. O estimador usado aqui é de mínimos quadrados. Suponha que você tem y=β0+β1x1y=β0+β1x1y=\beta_0+\beta_1x_1 , você pode centralizá-lo em torno da média de y=β′0+β1x′1y=β0′+β1x1′y=\beta_0'+\beta_1x_1' onde β′0=β0+β1x¯1β0′=β0+β1x¯1\beta_0'=\beta_0+\beta_1\bar x_1 e x′1=x−x¯x1′=x−x¯x_1'=x-\bar x …

16 regression  self-study  least-squares  regression-coefficients 

Este link da Wikipedia lista uma série de técnicas para detectar a heterocedasticidade dos resíduos de OLS. Eu gostaria de aprender qual técnica prática é mais eficiente na detecção de regiões afetadas pela heterocedasticidade. Por exemplo, aqui a região central do gráfico OLS 'Residuals vs Fitted' parece ter uma variação …

16 regression  least-squares  heteroscedasticity 

Isso é algo que estou vendo feito como uma espécie de método ad-hoc e me parece muito suspeito, mas talvez esteja faltando alguma coisa. Já vi isso em regressão múltipla, mas vamos simplificar: yEu= β0 0+ β1xEu+ εEuyEu=β0 0+β1xEu+εEu y_{i} = \beta_{0} + \beta_{1} x_{i} + \varepsilon_{i} Agora pegue os …

16 regression  residuals