Estadísticas y Big Data

Estoy escribiendo mi tesis doctoral y me he dado cuenta de que confío excesivamente en los diagramas de cajas para comparar distribuciones. ¿Qué otras alternativas te gustan para lograr esta tarea? También me gustaría preguntarle si conoce algún otro recurso como la galería R en el que pueda inspirarme con …

25 r  distributions  data-visualization  boxplot  relative-distribution 

¿Cómo puedo crear diagramas de Sankey ?

25 data-visualization  software  sankey-diagram 

En un artículo reciente sobre los deméritos de confiar en el valor p para la inferencia estadística, llamado "Matrixx v. Siracusano y Student v. Fisher Significación estadística en el juicio" (DOI: 10.1111 / j.1740-9713.2011.00511.x), Stephen T. Ziliak se opone al uso de valores p. En los párrafos finales dice: Los …

25 r  hypothesis-testing  statistical-significance  bayesian  p-value 

Estoy calculando un filtro de Kalman muy simple (caminata aleatoria + modelo de ruido). Encuentro que la salida del filtro es muy similar a una media móvil. ¿Hay una equivalencia entre los dos? Sí no, ¿Cuál es la diferencia?

25 kalman-filter 

Deseo comprender mejor los pros / contras para usar ya sea loess o splines de suavizado para suavizar alguna curva. Otra variación de mi pregunta es si hay una manera de construir una spline de suavizado de manera que produzca los mismos resultados que con el uso de loess. Cualquier …

25 regression  splines  loess 

Al integrar una función o en simulaciones complejas, he visto que el método de Monte Carlo es ampliamente utilizado. Me pregunto por qué uno no genera una cuadrícula de puntos para integrar una función en lugar de dibujar puntos aleatorios. ¿No traería eso resultados más exactos?

25 monte-carlo 

En mi curso de estadística elemental, aprendí cómo construir un intervalo de confianza del 95%, como la media de la población, , basada en la normalidad asintótica para tamaños de muestra "grandes". Además de los métodos de remuestreo (como bootstrap), existe otro enfoque basado en la "probabilidad de perfil" . …

25 confidence-interval  profile-likelihood 

Entiendo la lógica de la codificación para el análisis de datos. Mi pregunta a continuación es sobre el uso de un código específico. ¿Hay alguna razón por la cual el género a menudo se codifica como 0 para mujeres y 1 para hombres? ¿Por qué esta codificación se considera 'estándar'? …

25 data-transformation  binary-data  categorical-encoding  units 

Me preguntaba cómo los bayesianos en la comunidad CrossValidated ven el problema de la incertidumbre del modelo y cómo prefieren tratarlo. Trataré de formular mi pregunta en dos partes: ¿Qué tan importante (en su experiencia / opinión) es lidiar con la incertidumbre del modelo? No he encontrado ningún documento que …

25 machine-learning  bayesian  model-selection 

Sé que en una situación de regresión, si tiene un conjunto de variables altamente correlacionadas, esto generalmente es "malo" debido a la inestabilidad en los coeficientes estimados (la varianza va hacia el infinito a medida que el determinante va hacia cero). Mi pregunta es si esta "maldad" persiste en una …

25 pca  multicollinearity 

Me he encontrado con un par de guías sugiriendo que use R's nlm para la estimación de máxima probabilidad. Pero ninguno de ellos (incluida la documentación de R ) da mucha orientación teórica sobre cuándo usar o no usar la función. Por lo que puedo decir, nlm solo está haciendo …

25 r  maximum-likelihood 

¿Cuál es la mejor manera de definir el proceso de ruido blanco para que sea intuitivo y fácil de entender?

25 time-series 

Esta es mi primera publicación, así que tómalo con calma si no sigo algunas normas. Hice una búsqueda de mi pregunta y no surgió nada. Mi pregunta se refiere principalmente a las diferencias prácticas entre el modelado lineal general (GLM) y el modelado lineal generalizado (GZLM). En mi caso, serían …

25 modeling  linear-model 

Supongamos que voy a hacer una regresión logística univariada en varias variables independientes, como esta: mod.a <- glm(x ~ a, data=z, family=binominal("logistic")) mod.b <- glm(x ~ b, data=z, family=binominal("logistic")) Hice una comparación de modelo (prueba de razón de probabilidad) para ver si este modelo es mejor que el modelo nulo …

25 r  logistic  diagnostic 

Además de las características obvias del clasificador como costo computacional, tipos de datos esperados de características / etiquetas y idoneidad para ciertos tamaños y dimensiones de conjuntos de datos, ¿Cuáles son los cinco clasificadores principales (¿o 10, 20?) para probar primero en un nuevo conjunto de datos sobre el que …

25 machine-learning  classification  methodology