«bootstrap» 태그된 질문

혼합 모델 (상호 작용과 무작위 변수가있는 여러 변수)로 부트 스트랩을 수행했습니다. 이 결과를 얻었습니다 (일부 만 해당). > boot_out ORDINARY NONPARAMETRIC BOOTSTRAP Call: boot(data = a001a1, statistic = bootReg, R = 1000) Bootstrap Statistics : original bias std. error t1* 4.887383e+01 -1.677061e+00 4.362948e-01 t2* 3.066825e+01 1.264024e+00 5.328387e-01 t3* 8.105422e+01 2.368599e+00 …

10 r  confidence-interval  bootstrap  bias 

병원에 무작위로 영향을 미치는 병원에 환자가 중첩되어있는 생존 모델이 있습니다. 무작위 효과는 감마 분포이며,이 용어의 '관련성'을 쉽게 이해할 수있는 척도로보고하려고합니다. 중간 위험률 비율 (중간 승률 비율과 약간 비슷 함)을 사용하는 다음 참조를 찾아서 계산했습니다. Bengtsson T, Dribe M : 역사적 방법 43:15, 2010 그러나 이제 부트 스트랩을 사용하여이 추정과 관련된 …

10 stata  bootstrap  multilevel-analysis  resampling  frailty 

현재 위성 이미지를 사용하여 바이오 매스 추정을 진행하고 있습니다. 질문의 배경을 빠르게 정의한 다음 현재 진행중인 통계 질문을 설명하겠습니다. 배경 문제 프랑스 지역의 바이오 매스를 추정하려고합니다. 내 대답은 스팀 우드 부피 밀도 ( )이며 바이오 우드에 비례합니다 (나무 밀도에 따라 다름 ...).m3/ham3/ham^3/ha 내가 가지고있는 독립적 인 변수는이 지역의 측정 된 …

10 bootstrap 

GLMM 형식이 있습니다. lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 를 사용할 때 자동차 패키지 또는에서 사용할 때 drop1(model, test="Chi")와 다른 결과를 얻습니다 . 후자의 두 사람도 같은 대답을합니다.Anova(model, type="III")summary(model) 조작 된 데이터를 사용 하여이 두 가지 방법이 일반적으로 다르지 않다는 것을 알았습니다. …

10 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 

그룹은 적용된 리샘플링 기술에 대한 좋은 소개 텍스트 / 자원을 추천 할 수 있습니까? 특히, 정규성과 같은 가정이 명확하게 위반 될 때 그룹을 비교하기위한 기존의 파라 메트릭 테스트 (예 : t 테스트, ANOVA, ANCOVA)에 대한 대안에 관심이 있습니다. 더 나은 해결 방법에 대해 스스로 교육하고 싶은 문제 유형의 예는 다음과 …

10 references  bootstrap  resampling 

이 수량이 10 명씩 10 번씩 측정 될 때 수량 X에 대한 부트 스트랩 신뢰 구간을 얻는 데 관심이 있습니다. 한 가지 방법은 개인마다 평균을 구한 다음 평균을 부트 스트랩하는 것입니다 (예 : 대체 수단으로 평균을 재 샘플링). 또 다른 방법은 부트 스트래핑 절차의 각 반복에 대해 다음을 수행하는 것입니다. …

10 confidence-interval  bootstrap 

로버트 Kabacoff의에서 빠른-R 내가 가진 # Bootstrap 95% CI for regression coefficients library(boot) # function to obtain regression weights bs <- function(formula, data, indices) { d <- data[indices,] # allows boot to select sample fit <- lm(formula, data=d) return(coef(fit)) } # bootstrapping with 1000 replications results <- boot(data=mtcars, statistic=bs, R=1000, …

10 r  regression  p-value  bootstrap 

우선 : 내가 이해 한 바에 따르면 부트 스트랩 잔차는 다음과 같이 작동합니다. 모델을 데이터에 적합 잔차 계산 잔차를 다시 샘플링하여 1에 더합니다. 모델을 3의 새 데이터 세트에 맞 춥니 다. 반복 n횟수는 있지만 항상 재 표본 된 잔차를 1의 적합치에 추가하십시오. 지금까지는 맞습니까? 내가하고 싶은 것은 약간 다른 것입니다. …

10 time-series  matlab  bootstrap  residuals 

DV (질병 : 예 / 아니오) 및 5 개의 예측 변수 (인구 통계 [연령, 성별, 담배 흡연 (예 / 아니오)], 의료 지수 (선거) 및 하나의 무작위 치료 [예 / 아니오]를 갖는 이항 로지스틱 회귀 모형이 있습니다. ]). 또한 모든 양방향 상호 작용 항을 모델링했습니다. 주요 변수는 중심이며 다중 공선 성의 …

10 regression  logistic  multiple-regression  bootstrap 

이것은 여러 번 나온 예제 일뿐이므로 샘플 데이터가 없습니다. R에서 선형 회귀 모델 실행 : a.lm = lm(Y ~ x1 + x2) x1연속 변수입니다. x2범주 형이며 "낮음", "중간"및 "높음"의 세 가지 값이 있습니다. 그러나 R이 제공하는 출력은 다음과 같습니다. summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 …

10 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 

예 : 직업 설명에 "영국의 Java Senior Engineer"문장이 있습니다. 나는 2 개 종류로 예측하는 깊은 학습 모델을 사용하려면 : English 와 IT jobs. 기존 분류 모델을 사용하는 경우 softmax마지막 레이어에서 함수가있는 레이블 하나만 예측할 수 있습니다 . 따라서 두 모델 신경망을 사용하여 두 범주 모두에서 "예"/ "아니오"를 예측할 수 있지만 …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

추론을 확인하고 싶습니다. 원래 샘플의 크기가 이고 부트 스트랩 인 경우 다음과 같이 생각합니다.nnn 1n1n\frac{1}{n} 은 원래 샘플에서 관찰 된 관측치입니다. 다음 추첨이 이전에 샘플링 된 관측치가 아닌지 확인하기 위해 표본 크기를 로 제한합니다 . 따라서이 패턴을 얻습니다.n−1n−1n-1 1n⋅1n−1⋅1n−2⋯1n−(n−1)=1n!.1n⋅1n−1⋅1n−2⋯1n−(n−1)=1n!. \frac{1}{n} \cdot \frac{1}{n-1} \cdot \frac{1}{n-2} \cdots \frac{1}{n-(n-1)} = \frac{1}{n!}. 이 올바른지? …

9 sampling  bootstrap  sample-size  subsampling 

샘플 통계의 분산을 추정하는 수단으로 부트 스트랩에 대해 배우고 있습니다. 하나의 기본적인 의심이 있습니다. http://web.stanford.edu/class/psych252/tutorials/doBootstrapPrimer.pdf 에서 인용 : • 몇 번의 관찰을 다시 샘플링해야합니까? 좋은 제안은 원래 샘플 크기입니다. 원래 샘플에서와 같이 많은 관측 값을 어떻게 리샘플링 할 수 있습니까? 표본 크기가 100이고 평균의 분산을 추정하려고합니다. 총 표본 크기 100에서 …

9 sampling  bootstrap  resampling 

선형 회귀의 표준 오차는 일반적으로 반응 변수에 대해 주어지기 때문에 다른 방향으로 신뢰 구간을 얻는 방법이 궁금합니다 (예 : x 절편). 나는 그것이 무엇인지 시각화 할 수는 있지만 이것을 수행하는 간단한 방법이 있어야한다고 확신합니다. 아래는 이것을 시각화하는 방법에 대한 R의 예입니다. set.seed(1) x <- 1:10 a <- 20 b <- …

9 r  regression  confidence-interval  bootstrap 

과적 합을 초래하지 않습니까? 분석의 일부로 잭 나이프 또는 부트 스트랩 절차를 추가하면 내 결과가 더 신뢰할 수 있습니까?

9 multiple-regression  bootstrap  reliability  overfitting  jackknife