Perguntas com a marcação «regression»

Uma suposição básica do uso de modelos de regressão para inferência é que "todos os preditores relevantes" foram incluídos na equação de previsão. A lógica é que a falha em incluir um fator importante do mundo real leva a coeficientes tendenciosos e, portanto, inferências imprecisas (ou seja, viés variável omitido). …

15 regression  assumptions  bias  predictor  confounding 

Sou engenheiro de software trabalhando em aprendizado de máquina. Pelo meu entendimento, regressão linear (como OLS) e classificação linear (como regressão logística e SVM) fazem uma previsão com base em um produto interno entre coeficientes treinados variáveis ​​de recurso → x :W⃗ W→\vec{w}x⃗ x→\vec{x} y^= f( w⃗ ⋅ x⃗ ) …

15 regression  machine-learning  classification  feature-selection  linear-model 

Estou fazendo uma apresentação sobre linhas de montagem. Eu tenho uma função linear simples, . Estou tentando obter pontos de dados dispersos que posso colocar em um gráfico de dispersão que manterá minha linha de melhor ajuste na mesma equação.y=1x+by=1x+by=1x+b Eu adoraria aprender essa técnica no R ou no Excel …

15 r  regression  least-squares  excel 

Estou familiarizado com o uso de várias regressões lineares para criar modelos de várias variáveis. No entanto, fiquei curioso para saber se os testes de regressão são usados ​​para fazer algum tipo de teste básico de hipóteses. Se sim, como seriam esses cenários / hipóteses?

15 regression  hypothesis-testing  multiple-regression 

Digamos que eu tenha N observações, possivelmente vários fatores, e repito cada observação duas vezes (ou M vezes). Como uma regressão nesse novo conjunto de tamanho NM se compara a uma regressão apenas nas observações originais?

15 regression  linear-model  multiple-regression 

Eu estaria interessado em encontrar maneiras em R para atualizar eficientemente um modelo linear quando uma observação ou um preditor é adicionado. O biglm possui um recurso de atualização ao adicionar observações, mas meus dados são pequenos o suficiente para residir na memória (embora eu tenha um grande número de …

15 r  regression  computational-statistics  linear-model 

Estou usando uma regressão logística binomial para identificar se a exposição has_xou has_yafeta a probabilidade de um usuário clicar em algo. Meu modelo é o seguinte: fit = glm(formula = has_clicked ~ has_x + has_y, data=df, family = binomial()) Esta é a saída do meu modelo: Call: glm(formula = has_clicked …

15 regression  logistic  standard-error  logit 

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 

Devo ensinar o teorema de Frish Waugh em econometria, que não estudei. Entendi a matemática por trás disso e espero que a idéia também "o coeficiente obtido para um determinado coeficiente de um modelo linear múltiplo seja igual ao coeficiente do modelo de regressão simples se você" eliminar "a influência …

15 regression  econometrics  least-squares  projection  decomposition 

Estou tentando entender como as funções de influência funcionam. Alguém poderia explicar no contexto de uma regressão OLS simples yi=α+β⋅xi+εiyi=α+β⋅xi+εi\begin{equation} y_i = \alpha + \beta \cdot x_i + \varepsilon_i \end{equation} onde eu quero a função de influência para .ββ\beta

15 regression  least-squares 

Minha pergunta é muito simples: por que escolhemos normal como a distribuição que o termo de erro segue na suposição de regressão linear? Por que não escolhemos outros como uniforme, t ou o que seja?

14 regression  mathematical-statistics  normal-distribution  error  linear 

Eu tenho alguns dados que se ajustam ao longo de uma linha aproximadamente linear: Quando faço uma regressão linear desses valores, obtenho uma equação linear: y=0.997x−0.0136y=0.997x−0.0136y = 0.997x-0.0136 Em um mundo ideal, a equação deve ser y=xy=xy = x . Claramente, meus valores lineares estão próximos desse ideal, mas não …

14 regression  hypothesis-testing  statistical-significance 

Na regressão linear, fazemos as seguintes suposições A média da resposta, , em cada conjunto de valores dos preditores, , é uma função linear dos preditores.E(Yi)E(Yi)E(Y_i)(x1i,x2i,…)(x1i,x2i,…)(x_{1i}, x_{2i},…) Os erros, εiεiε_i , são independentes. Os erros, εiεiε_i , em cada conjunto de valores dos preditores (x1i,x2i,…)(x1i,x2i,…)(x_{1i}, x_{2i},…) , são normalmente distribuídos. …

14 regression  assumptions 

Digamos que temos os pontos de dados de entrada (preditor) e de saída (resposta) A, B, C, D, E e queremos ajustar uma linha através dos pontos. Este é um problema simples para ilustrar a pergunta, mas também pode ser estendido para dimensões superiores. Declaração do Problema O melhor ajuste …

14 regression  linear  fitting  cost-maximization 

Entendo que isso significa que o modelo é ruim em prever pontos de dados individuais, mas estabeleceu uma tendência firme (por exemplo, y sobe quando x sobe).

14 regression  inference  r-squared  linear