Estadísticas y Big Data

Yo mismo siempre usaría la media geométrica para estimar una mediana lognormal. Sin embargo, en el mundo de la industria, a veces usar la mediana de la muestra da mejores resultados. Por lo tanto, la pregunta es, ¿existe un rango / punto de corte a partir del cual la mediana …

8 median  unbiased-estimator  lognormal 

En la regresión lineal, las transformaciones de las variables explicativas se realizan para tener una correlación máxima con la variable dependiente. ¿Cuál es la mejor medida para elegir entre transformaciones múltiples en regresión logística ya que la variable dependiente es binaria y no continua? El objetivo final es maximizar el …

8 regression  logistic 

¿Alguien sabe un método para comparar dos variables con una prueba de chi cuadrado si las variables son de diferentes encuestas con diferentes svydesign()declaraciones? Estoy buscando probar una diferencia en una distribución variable en dos ondas de una encuesta, pero la svychisq()declaración se limita a un objeto de diseño. ¿Es …

8 r  chi-squared  survey 

Un poco como un diagrama de caja. Me refiero no necesariamente al intervalo de confianza superior estándar, al intervalo de confianza inferior, a la media y a las gráficas de caja que muestran el rango de datos, pero me refiero a una gráfica de caja con solo los tres datos: …

8 confidence-interval  data-visualization  descriptive-statistics  software  boxplot 

He leído que la validación cruzada de dejar uno fuera proporciona una estimación relativamente "imparcial del verdadero rendimiento de generalización" (por ejemplo, aquí ) y que esta es una propiedad ventajosa del CV de dejar uno fuera. Sin embargo, no veo cómo esto se deduce de las propiedades del CV …

8 cross-validation  model-selection  bias 

Quiero incluir pesos de muestra en mi modelo de regresión cuantil, pero no estoy seguro de cómo hacerlo. Ya he definido mi peso, que son los pesos replicados que ya figuran en el conjunto de datos de la encuesta (calculado en el paquete de la encuesta): w<-svrepdesign(variables=data[,1:10],repweights=data[,11:30],type="BRR", combined.weights=TRUE, weights=r.weights, rho=0.5,dbname="") …

8 r  quantile-regression 

Estoy trabajando en un modelo de aprendizaje de categoría en línea que utiliza el descenso de gradiente estocástico para adaptarse a un modelo de mezcla gaussiana. El modelo se basa en el modelo de aprendizaje en línea utilizado en Toscano y McMurray (2010). Si bien el descenso de gradiente parece …

8 python  online  gaussian-mixture  gradient-descent 

La distancia de Mahalanobis, cuando se usa con fines de clasificación, generalmente asume una distribución normal multivariada, y las distancias desde el centroide deberían seguir un χ2χ2\chi^2distribución (con grados de libertad igual al número de dimensiones / características). Podemos calcular la probabilidad de que un nuevo punto de datos pertenezca …

8 hypothesis-testing  classification  multivariate-analysis  poisson-distribution  joint-distribution 

Necesito un único conjunto de datos imputados (por ejemplo, para crear un grupo ficticio del grupo imputado a partir de los datos de ingreso per cápita del país imputado). R ofrece paquetes de paquetes para crear múltiples datos imputados (por ejemplo, Amelia) y combinar resultados de múltiples conjuntos de datos …

8 r  data-imputation 

Me refiero a esta publicación que parece cuestionar la importancia de la distribución normal de los residuos, argumentando que esto, junto con la heterocedasticidad, podría evitarse mediante el uso de errores estándar robustos. He considerado varias transformaciones (raíces, registros, etc.) y todo resulta inútil para resolver completamente el problema. Aquí …

8 normal-distribution  stata  least-squares  residuals  assumptions 

Estoy examinando las capturas de roedores en seis rejillas permanentes de captura de roedores que miden 150 x 150 metros y que consta de 121 estaciones de trampa separadas uniformemente a 15 metros de distancia. Hay seis redes de captura de este tipo en el sitio de estudio que tiene …

8 spatial  interpolation  geostatistics  stationarity 

De Wikipedia El modelo lineal general (GLM) es un modelo lineal estadístico. Puede escribirse como 1 Y=XB+U,Y=XB+U, \mathbf{Y} = \mathbf{X}\mathbf{B} + \mathbf{U}, dónde YYY es una matriz con series de mediciones multivariadas, XXX es una matriz que podría ser una matriz de diseño, BBB es una matriz que contiene parámetros …

8 regression  generalized-linear-model  assumptions 

Varias publicaciones ( aquí y aquí ) sugieren que la regresión beta es más apropiada cuando la variable dependiente está naturalmente limitada entre 0 y 1. Mi pregunta es, dejando a un lado la adecuación, ¿es técnicamente incorrecto ajustar una regresión logística a una variable de respuesta proporcional? R lanzará …

8 regression  logistic  proportion 

Tengo 2 estudios que analizan la respuesta del paciente al mismo medicamento. El estudio 1 encontró 10,000 genes expresados ​​sobre el fondo y 500 de ellos se expresan de manera diferencial y se conocen como la firma de respuesta al medicamento. El estudio 2 encontró 1,000 genes que representan la …

8 r  multiple-comparisons  genetics  bonferroni  hypergeometric 

Estoy trabajando en un modelo que depende de una función parametrizada fea que actúa como una función de calibración en una parte del modelo. Utilizando una configuración bayesiana, necesito obtener antecedentes no informativos para los parámetros que describen mi función. Sé que, idealmente, debería derivar referencias o al menos anteriores …

8 bayesian  inference  prior  uninformative-prior