Als «covariance» getaggte Fragen

11
Beziehung zwischen Gramm- und Kovarianzmatrizen

Für ein n × pn×pn\times p Matrix X.XX, wo p ≫ np≫np \gg n, wie ist die Beziehung zwischen X.T.X.XTXX^{T}X (Streumatrix, auf der die Kovarianzmatrix basiert) und X.X.T.XXTXX^{T} (äußeres Produkt manchmal Gram-Matrix genannt)? Wenn einer bekannt ist, wie ist es möglich , den anderen zu erhalten (das...

covariance quadratic-form
11
Kombination von zwei Kovarianzmatrizen

Ich berechne die Kovarianz einer Verteilung parallel und muss die verteilten Ergebnisse zu einem singulären Gaußschen kombinieren. Wie kombiniere ich die beiden? Die lineare Interpolation zwischen den beiden funktioniert fast, wenn sie ähnlich verteilt und dimensioniert sind. Wikipedia bietet unten...

covariance moments
11
Intuition zur Definition der Kovarianz

Ich habe versucht, die Kovarianz zweier Zufallsvariablen besser zu verstehen und zu verstehen, wie die erste Person, die daran dachte, zu der Definition kam, die routinemäßig in der Statistik verwendet wird. Ich ging zu Wikipedia , um es besser zu verstehen. Aus dem Artikel geht hervor, dass ein...

correlation covariance
11
Bedeutet Zentrierung die Kovarianz?

Angenommen, ich habe zwei nicht unabhängige Zufallsvariablen und möchte die Kovarianz zwischen ihnen so weit wie möglich reduzieren, ohne zu viel "Signal" zu verlieren. Bedeutet dies, dass die Zentrierung hilft? Ich habe irgendwo gelesen, dass mittlere Zentrierung die Korrelation um einen...

correlation covariance random-vector
10
Was ist die asymptotische Kovarianzmatrix?

Stimmt es, dass die asymptotische Kovarianzmatrix gleich der Kovarianzmatrix der Parameterschätzungen ist? Wenn nicht, was ist das? Und was ist in diesem Fall der Unterschied zwischen der Kovarianzmatrix und der asymptotischen Kovarianzmatrix? Danke im

covariance asymptotics
10
R lineare Regression kategoriale Variable "versteckter" Wert

Dies ist nur ein Beispiel, auf das ich mehrmals gestoßen bin, daher habe ich keine Beispieldaten. Ausführen eines linearen Regressionsmodells in R: a.lm = lm(Y ~ x1 + x2) x1ist eine stetige Variable. x2ist kategorisch und hat drei Werte, z. B. "Niedrig", "Mittel" und "Hoch". Die von R gegebene...

r regression categorical-data regression-coefficients categorical-encoding machine-learning random-forest anova spss r self-study bootstrap monte-carlo r multiple-regression partitioning neural-networks normalization machine-learning svm kernel-trick self-study survival cox-model repeated-measures survey likert correlation variance sampling meta-analysis anova independence sample assumptions bayesian covariance r regression time-series mathematical-statistics graphical-model machine-learning linear-model kernel-trick linear-algebra self-study moments function correlation spss probability confidence-interval sampling mean population r generalized-linear-model prediction offset data-visualization clustering sas cart binning sas logistic causality regression self-study standard-error r distributions r regression time-series multiple-regression python chi-squared independence sample clustering data-mining rapidminer probability stochastic-processes clustering binary-data dimensionality-reduction svd correspondence-analysis data-visualization excel c# hypothesis-testing econometrics survey rating composite regression least-squares mcmc markov-process kullback-leibler convergence predictive-models r regression anova confidence-interval survival cox-model hazard normal-distribution autoregressive mixed-model r mixed-model sas hypothesis-testing mediation interaction
10
Warum haben Anova () und drop1 () unterschiedliche Antworten für GLMMs geliefert?

Ich habe ein GLMM der Form: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Wenn ich benutze drop1(model, test="Chi"), erhalte ich andere Ergebnisse als wenn ich Anova(model, type="III")aus dem Autopaket oder benutze summary(model). Diese...

r anova glmm r mixed-model bootstrap sample-size cross-validation roc auc sampling stratification random-allocation logistic stata interpretation proportion r regression multiple-regression linear-model lm r cross-validation cart rpart logistic generalized-linear-model econometrics experiment-design causality instrumental-variables random-allocation predictive-models data-mining estimation contingency-tables epidemiology standard-deviation mean ancova psychology statistical-significance cross-validation synthetic-data poisson-distribution negative-binomial bioinformatics sequence-analysis distributions binomial classification k-means distance unsupervised-learning euclidean correlation chi-squared spearman-rho forecasting excel exponential-smoothing binomial sample-size r change-point wilcoxon-signed-rank ranks clustering matlab covariance covariance-matrix normal-distribution simulation random-generation bivariate standardization confounding z-statistic forecasting arima minitab poisson-distribution negative-binomial poisson-regression overdispersion probability self-study markov-process estimation maximum-likelihood classification pca group-differences chi-squared survival missing-data contingency-tables anova proportion