Preguntas etiquetadas con kernel-smoothing

Entonces, tengo 16 ensayos en los que estoy tratando de autenticar a una persona de un rasgo biométrico usando Hamming Distance. Mi umbral está establecido en 3.5. Mis datos están a continuación y solo la prueba 1 es un verdadero positivo: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

He visto una cantidad razonable de literatura sobre cómo elegir núcleos y anchos de banda al calcular una estimación de densidad del núcleo, pero actualmente estoy interesado en cómo mejorar el tiempo que lleva evaluar el KDE resultante en un número arbitrario de puntos. En mi caso, estoy usando un …

9 kernel-smoothing 

Tengo datos de accidentes automovilísticos por hora del día. Como era de esperar, son altas en la mitad del día y alcanzan su punto máximo en la hora pico. geom_density predeterminado de ggplot2 lo suaviza muy bien Un subconjunto de los datos, para los accidentes relacionados con la bebida, es …

9 r  pdf  kernel-smoothing  splines 

Estimador de densidad de Kernel está dada por f ( x , h ) = 1f^(x,h)=1nh∑i=1nK(x−Xih)f^(x,h)=1nh∑i=1nK(x−Xih)\hat{f}(x,h)=\frac{1}{nh}\sum_{i=1}^{n}K(\frac{x-X_{i}}{h}) donde iid con alguna densidad desconocida,- ancho de banda,X1,...XnX1,...XnX_1,...X_nfffhhh KKK - función del núcleo ( , , ). El sesgo se puede calcular utilizando la expansión de Taylor: ∫∞−∞K(x)dx=1∫−∞∞K(x)dx=1\int_{-\infty}^{\infty}K(x)dx=1∫∞−∞K(x)xdx=0∫−∞∞K(x)xdx=0\int_{-\infty}^{\infty}K(x)xdx=0∫∞−∞K(x)x2dx&lt;∞∫−∞∞K(x)x2dx&lt;∞\int_{-\infty}^{\infty}K(x)x^2dx<\infty=∫ ∞ - ∞ K(y)(f′(x)hy+1∫∞−∞1hK(x−yh)f(y)dy−f(x)=∫∞−∞K(y)(f(x−hy)−f(x))dy∫−∞∞1hK(x−yh)f(y)dy−f(x)=∫−∞∞K(y)(f(x−hy)−f(x))dy\int_{-\infty}^{\infty}\frac{1}{h}K(\frac{x-y}{h})f(y)dy-f(x)=\int_{-\infty}^{\infty}K(y)\left(f(x-hy)-f(x)\right)dy = …

8 kernel-smoothing 

En la selección de un ancho de banda para un Estimador de densidad del núcleo, el ancho de banda crítico según mi entendimiento es: "Para cada entero k, donde 1&lt;k&lt;n, podemos encontrar el ancho mínimo de h(k)tal manera que la estimación de densidad del núcleo tenga como máximo k máximos. …

8 econometrics  kernel-smoothing 

Como señalaron Wand y Jones (1995), la mayoría de los núcleos estándar pueden verse como un caso de K(x;p)={22p+1B(p+1,p+1)}−1(1−x2)p1{|x|&lt;1}K(x;p)={22p+1B(p+1,p+1)}−1(1−x2)p1{|x|&lt;1} K(x;p) = \{ 2^{2p+1} \; \mathrm{B}(p+1,p+1) \}^{-1} \; (1-x^2)^p \;\boldsymbol{1}_{\{|x|<1\}} familia, donde B(⋅,⋅)B(⋅,⋅)\mathrm{B}(\cdot,\cdot) es una función Beta. Diferentes valores de ppp conducen a núcleos rectangulares ( p=0p=0p=0 ), Epanechnikov ( p=1p=1p=1 …

8 distributions  kernel-smoothing  beta-distribution 

Estoy trabajando con el conjunto de datos "géiser" del paquete MASS y comparando las estimaciones de densidad del núcleo del paquete np. Mi problema es comprender la estimación de densidad utilizando la validación cruzada de mínimos cuadrados y el núcleo Epanechnikov: blep&lt;-npudensbw(~geyser$waiting,bwmethod="cv.ls",ckertype="epanechnikov") plot(npudens(bws=blep)) Para el núcleo gaussiano parece estar bien: …

8 r  nonparametric  kernel-smoothing 

Tengo un vector Xde N=900observaciones que se modelan mejor con un estimador de densidad de kernel de ancho de banda global (los modelos paramétricos, incluidos los modelos de mezcla dinámica, no resultaron ser adecuados): Ahora, quiero simular desde este KDE. Sé que esto se puede lograr mediante bootstrapping. En R, …

8 distributions  sampling  bootstrap  simulation  kernel-smoothing 

Tengo dos grupos de 10 participantes que fueron evaluados tres veces durante un experimento. Para probar las diferencias entre los grupos y entre las tres evaluaciones, ejecuté un ANOVA de diseño mixto 2x3 con group(control, experimental), time(primero, segundo, tres) y group x time. Ambos timey groupresultaron significativos, además hubo una …

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka 

Estoy ejecutando la simulación en un modelo lineal. Obtengo 1000 resultados y los resultados se colocan en un gráfico de densidad. Entiendo que xaxis es la variable dependiente y yaxis representa la densidad del núcleo. Yaxis está en números decimales como de 0 a 0.15. ¿Cómo les explico esto a …

8 distributions  pdf  kernel-smoothing 

Tengo algunos datos que están claramente truncados a la izquierda. Deseo ajustarlo con una estimación de densidad que lo maneje de alguna manera en lugar de tratar de suavizarlo. ¿Qué métodos conocidos (como de costumbre, en R) pueden abordar esto? Código de muestra: set.seed(1341) x &lt;- c(runif(30, 0, 0.01), rnorm(100,3)) …

8 r  pdf  histogram  kernel-smoothing