Perguntas com a marcação «self-study»

Um exercício de rotina de um livro, curso ou teste usado para uma aula ou auto-estudo. A política desta comunidade é "fornecer dicas úteis" para essas perguntas, em vez de respostas completas.



1
Uma prova da estacionariedade de um RA (2)
Considere um processo de AR (2) centrado na média que é o processo padrão de ruído branco. Apenas por razões de simplicidade, deixe-me chamar e . Focando nas raízes da equação das características, obtive As condições clássicas nos livros didáticos são as seguintes: \ begin { cases} | a | …

2
Como calculo a variação do estimador OLS , condicional em ?
Eu sei que e foi assim que cheguei quando calculei a variação:β0^=y¯−β1^x¯β0^=y¯−β1^x¯\hat{\beta_0}=\bar{y}-\hat{\beta_1}\bar{x} Var(β0^)=Var(y¯−β1^x¯)=Var((−x¯)β1^+y¯)=Var((−x¯)β1^)+Var(y¯)=(−x¯)2Var(β1^)+0=(x¯)2Var(β1^)+0=σ2(x¯)2∑i=1n(xi−x¯)2Var(β0^)=Var(y¯−β1^x¯)=Var((−x¯)β1^+y¯)=Var((−x¯)β1^)+Var(y¯)=(−x¯)2Var(β1^)+0=(x¯)2Var(β1^)+0=σ2(x¯)2∑i=1n(xi−x¯)2\begin{align*} Var(\hat{\beta_0}) &= Var(\bar{y} - \hat{\beta_1}\bar{x}) \\ &= Var((-\bar{x})\hat{\beta_1}+\bar{y}) \\ &= Var((-\bar{x})\hat{\beta_1})+Var(\bar{y}) \\ &= (-\bar{x})^2 Var(\hat{\beta_1}) + 0 \\ &= (\bar{x})^2 Var(\hat{\beta_1}) + 0 \\ &= \frac{\sigma^2 (\bar{x})^2}{\displaystyle\sum\limits_{i=1}^n (x_i - \bar{x})^2} \end{align*} mas é isso que eu cheguei. …

1
Construção da distribuição Dirichlet com distribuição Gamma
Seja X1,…,Xk+1X1,…,Xk+1X_1,\dots,X_{k+1} variáveis ​​aleatórias mutuamente independentes, cada uma com uma distribuição gama com os parâmetros αi,i=1,2,…,k+1αi,i=1,2,…,k+1\alpha_i,i=1,2,\dots,k+1 mostre que Yi=XiX1+⋯+Xk+1,i=1,…,kYi=XiX1+⋯+Xk+1,i=1,…,kY_i=\frac{X_i}{X_1+\cdots+X_{k+1}},i=1,\dots,k, tem uma distribuição conjunta comoDirichlet(α1,α2,…,αk;αk+1)Dirichlet(α1,α2,…,αk;αk+1)\text{Dirichlet}(\alpha_1,\alpha_2,\dots,\alpha_k;\alpha_{k+1}) PDF conjunto de (X1,…,Xk+1)=e−∑k+1i=1xixα1−11…xαk+1−1k+1Γ(α1)Γ(α2)…Γ(αk+1)(X1,…,Xk+1)=e−∑i=1k+1xix1α1−1…xk+1αk+1−1Γ(α1)Γ(α2)…Γ(αk+1)(X_1,\dots,X_{k+1})=\frac{e^{-\sum_{i=1}^{k+1}x_i}x_1^{\alpha_1-1}\dots x_{k+1}^{\alpha_{k+1}-1}}{\Gamma(\alpha_1)\Gamma(\alpha_2)\dots \Gamma(\alpha_{k+1})} Então, para encontrar pdf conjunto de(Y1,…,Yk+1)(Y1,…,Yk+1)(Y_1,\dots,Y_{k+1})não consigo encontrar jacobiano, ou seja,J(x1,…,xk+1y1,…,yk+1)J(x1,…,xk+1y1,…,yk+1)J(\frac{x_1,\dots,x_{k+1}}{y_1,\dots,y_{k+1}})


3
Por que precisamos do Bootstrapping?
Atualmente, estou lendo "All of Statistics", de Larry Wasserman, e intrigado com algo que ele escreveu no capítulo sobre estimativa de funções estatísticas de modelos não paramétricos. Ele escreveu "Às vezes, podemos encontrar o erro padrão estimado de uma função estatística fazendo alguns cálculos. No entanto, em outros casos, não …


1
Pergunta sobre como normalizar o coeficiente de regressão
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 …


4
Modelo linear clássico - seleção de modelo
Eu tenho um modelo linear clássico, com 5 possíveis regressores. Eles não estão correlacionados entre si e têm uma correlação bastante baixa com a resposta. Cheguei a um modelo em que três dos regressores têm coeficientes significativos para sua estatística t (p <0,05). A adição de uma ou das duas …

1
Derivação da mudança de variáveis ​​de uma função de densidade de probabilidade?
No reconhecimento de padrões de livros e aprendizado de máquina (fórmula 1.27), fornece py(y)=px(x)∣∣∣dxdy∣∣∣=px(g(y))|g′(y)|py(y)=px(x)|dxdy|=px(g(y))|g′(y)|p_y(y)=p_x(x) \left | \frac{d x}{d y} \right |=p_x(g(y)) | g'(y) | ondex=g(y)x=g(y)x=g(y),px(x)px(x)p_x(x)é o pdf que corresponde apy(y)py(y)p_y(y) com relação à alteração da variável. Os livros dizem que é porque as observações que caem no intervalo (x,x+δx)(x,x+δx)(x, x …

2
O pdf de
Suponhamos que X1,X2,...,XnX1,X2,...,XnX_1, X_2,...,X_n seja iid de N(μ,σ2)N(μ,σ2)N(\mu,\sigma^2) com desconhecido μ∈Rμ∈R\mu \in \mathcal Re σ2>0σ2>0\sigma^2>0 Seja Z=X1−X¯S,Z=X1−X¯S,Z=\frac{X_1-\bar{X}}{S},S é o desvio padrão aqui. Pode-se demonstrar que ZZZ possui o pdf de Lebesgue f(z)=n−−√Γ(n−12)π−−√(n−1)Γ(n−22)[1−nz2(n−1)2]n/2−2I(0,(n−1)/n√)(|Z|)f(z)=nΓ(n−12)π(n−1)Γ(n−22)[1−nz2(n−1)2]n/2−2I(0,(n−1)/n)(|Z|)f(z)=\frac{\sqrt{n} \Gamma\left(\frac{n-1}{2}\right)}{\sqrt{\pi}(n-1)\Gamma\left(\frac{n-2}{2}\right)}\left[1-\frac{nz^2}{(n-1)^2}\right]^{n/2-2}I_{(0,(n-1)/\sqrt{n})}(|Z|) Minha pergunta é como obter este pdf? A questão é daqui em diante no exemplo 3.3.4 para …
15 self-study  umvue 

2
Simulação de desenhos de uma distribuição uniforme usando desenhos de uma distribuição normal
Recentemente, comprei um recurso de entrevista em ciência de dados no qual uma das perguntas de probabilidade era a seguinte: Dados os desenhos de uma distribuição normal com parâmetros conhecidos, como você pode simular os desenhos de uma distribuição uniforme? Meu processo de pensamento original era que, para uma variável …

1
Qual é a intuição por trás de amostras intercambiáveis ​​sob a hipótese nula?
Os testes de permutação (também chamados de teste de randomização, teste de re-randomização ou teste exato) são muito úteis e úteis quando a suposição de distribuição normal exigida por, por exemplo, t-testnão é atendida e quando a transformação dos valores pela classificação do teste não-paramétrico como Mann-Whitney-U-testlevaria a mais informações …
15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

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.