Preguntas etiquetadas con matrix-inverse

3
¿Por qué la inversión de una matriz de covarianza produce correlaciones parciales entre variables aleatorias?
Escuché que se pueden encontrar correlaciones parciales entre variables aleatorias invirtiendo la matriz de covarianza y tomando celdas apropiadas de dicha matriz de precisión resultante (este hecho se menciona en http://en.wikipedia.org/wiki/Partial_correlation , pero sin una prueba) . ¿Por qué es este el caso?

1
Cálculo eficiente de matriz inversa en R
Necesito calcular la matriz inversa y he estado usando la solvefunción. Si bien funciona bien en matrices pequeñas, solvetiende a ser muy lento en matrices grandes. Me preguntaba si hay alguna otra función o combinación de funciones (a través de SVD, QR, LU u otras funciones de descomposición) que puedan …

1
Explicar cómo `eigen` ayuda a invertir una matriz
Mi pregunta se refiere a una técnica de cálculo explotada en geoR:::.negloglik.GRFo geoR:::solve.geoR. En una configuración de modelo mixto lineal: donde y son los efectos fijos y aleatorios, respectivamente. Además,Y= Xβ+ Zb + eY=Xβ+Zsi+mi Y=X\beta+Zb+e ββ\betasisibΣ = cov ( Y)Σ=cov(Y)\Sigma=\text{cov}(Y) Al estimar los efectos, es necesario calcular ( X′Σ- 1X)- …



1
R / mgcv: ¿Por qué los productos tensoriales te () y ti () producen superficies diferentes?
El mgcvpaquete Rtiene dos funciones para ajustar las interacciones del producto tensorial: te()y ti(). Entiendo la división básica del trabajo entre los dos (ajustar una interacción no lineal versus descomponer esta interacción en efectos principales y una interacción). Lo que no entiendo es por qué te(x1, x2)y ti(x1) + ti(x2) …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 


1
Cálculo / estimación rápida de un sistema lineal de bajo rango
Los sistemas lineales de ecuaciones son penetrantes en las estadísticas computacionales. Un sistema especial que he encontrado (por ejemplo, en el análisis factorial) es el sistema Ax=bAx=bAx=b donde Aquí es una matriz diagonal con una diagonal estrictamente positiva, es una matriz semi-definida simétrica positiva (con ), y es una matriz …

2
Explicación lúcida de la "estabilidad numérica de la inversión de la matriz" en la regresión de crestas y su papel en la reducción del sobreajuste
Entiendo que podemos emplear la regularización en un problema de regresión de mínimos cuadrados como w∗=argminw[(y−Xw)T(y−Xw)+λ∥w∥2]w∗=argminw⁡[(y−Xw)T(y−Xw)+λ‖w‖2]\boldsymbol{w}^* = \operatorname*{argmin}_w \left[ (\mathbf y-\mathbf{Xw})^T(\boldsymbol{y}-\mathbf{Xw}) + \lambda\|\boldsymbol{w}\|^2 \right] y que este problema tiene una solución de forma cerrada como: w^=(XTX+λI)−1XTy.w^=(XTX+λI)−1XTy.\hat{\boldsymbol{w}} = (\boldsymbol{X}^T\boldsymbol{X}+\lambda\boldsymbol{I})^{-1}\boldsymbol{X}^T\boldsymbol{y}. Vemos que en la segunda ecuación, la regularización es simplemente agregar λλ\lambda …


Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.