«r» 태그된 질문

닫은. 이 질문은 주제에 맞지 않습니다 . 현재 답변을받지 않습니다. 이 질문을 개선하고 싶습니까? 교차 검증에 대한 주제가 되도록 질문을 업데이트하십시오 . 휴일 육년 전 . 데이터 프레임에서 열의 색인을 이름별로 가져 오려고합니다. 예를 들면 다음과 같습니다. x <- data.frame(foo=c('a','b','c'),bar=c(4,5,6),quux=c(4,5,6)) "bar"에 대한 열 인덱스를 알고 싶습니다. 나는 다음을 생각해 냈지만 …

11 r 

ARIMA 모델을 원래 시계열에 맞췄으며 최상의 모델은 ARIMA (1,1,0)입니다. 이제 해당 모델에서 시리즈를 시뮬레이션하고 싶습니다. 간단한 AR (1) 모델을 작성했지만 모델 ARI (1,1,0) 내에서 차이를 조정하는 방법을 이해할 수 없었습니다. AR (1) 시리즈에 대한 다음 R 코드는 다음과 같습니다. phi= -0.7048 z=rep(0,100) e=rnorm(n=100,0,0.345) cons=2.1 z[1]=4.1 for (i in 2:100) z[i]=cons+phi*z[i-1]+e[i] …

11 r  time-series  arima 

Random Forests 또는 Extreme Gradient Boosting (XGBoost)과 같은 알고리즘을 사용할 때 각 예측 값에 대한 신뢰 점수를 얻는 방법이 있습니까? 이 신뢰 점수의 범위는 0에서 1까지이며 특정 예측에 대해 내가 얼마나 확신하는지 보여 줍니다 . 인터넷에서 신뢰에 대해 찾은 것에서 일반적으로 간격으로 측정됩니다. 다음은 라이브러리의 confpred함수를 사용하여 계산 된 신뢰 …

11 r  regression  random-forest  prediction  boosting 

나는 누군가가 내가 비교적 간단한 질문이라고 생각하는 것을 도울 수 있기를 바라고 있으며, 나는 대답을 알고 있다고 생각하지만 확인 없이는 내가 확신 할 수없는 것이되었습니다. 카운트 변수를 반응 변수로 사용하고 비례 비율로 변수가 어떻게 변하는 지 측정하고 싶습니다. 보다 상세하게는, 반응 변수는 다수의 부위에서 곤충 종의 존재 횟수이므로, 예를 들어 …

11 r  binomial  proportion  glmm  lme4-nlme 

부정적인 이항 모델을 사용하여 R의 숙주에 영향을 미치는 기생충의 평균 강도를 모델링하려고합니다. 다음과 같은 경고가 계속 50 개 이상 나타납니다. In dpois(y, mu, log = TRUE) : non-integer x = 251.529000 이 문제를 어떻게 처리 할 수 ​​있습니까? 내 코드는 다음과 같습니다 mst.nb = glm.nb(Larvae+Nymphs+Adults~B.type+Month+Season, data=MI.df)

11 r  generalized-linear-model  negative-binomial 

R의 회귀 모형에 DW 테스트를 적용했으며 DW 테스트 통계가 1.78이고 p- 값이 2.2e-16 = 0입니다. 통계가 p 값이 작은 2에 가까워 지거나 잔차가 2에 가까워 지므로 잔차간에 자기 상관이 없다는 것을 의미합니까? 자기 상관이 없습니까?

11 r  regression  hypothesis-testing  autocorrelation  residuals 

주성분 분석을 통해 얻은 Biplot 값을 사용하여 각 주성분을 구성하는 설명 변수를 탐색 할 수 있습니다. 선형 판별 분석에서도 가능합니까? 제공된 데이터는 "Edgar Anderson의 홍채 데이터"( http://en.wikipedia.org/wiki/Iris_flower_data_set )입니다. 홍채 데이터 는 다음과 같습니다 . id SLength SWidth PLength PWidth species 1 5.1 3.5 1.4 .2 setosa 2 4.9 3.0 1.4 …

11 r  pca  multivariate-analysis  discriminant-analysis  biplot 

매일 두 개의 시계열 데이터가 있습니다. 하나는 구독 sign-ups이고 다른 하나는 terminations구독입니다. 두 변수에 포함 된 정보를 사용하여 후자를 예측하고 싶습니다. 이 시리즈의 그래프를 보면 해지가 몇 달 전에 여러 번 가입 한 것과 관련이 있음이 분명합니다. 즉, 5 월 10 일에 가입이 급증하면 6 월 10 일, 7 월 …

11 r  time-series  seasonality  var 

우리는 시계열로 사용될 자동 상관 난수 값을 만들려고 노력하고 있습니다. 참조하는 기존 데이터가 없으며 벡터를 처음부터 새로 작성하려고합니다. 한편으로 우리는 물론 배포와 SD를 가진 임의의 프로세스가 필요합니다. 다른 한편으로, 랜덤 프로세스에 영향을 미치는 자기 상관이 설명되어야한다. 벡터의 값은 여러 시간 지연에 따른 강도 감소와 자동 상관됩니다. 예를 들어 lag1은 0.5, …

11 r  time-series  random-variable  autocorrelation  lags 

다음과 같은 데이터 세트가 있다고 가정하십시오. Men Women Dieting 10 30 Non-dieting 5 60 R에서 Fisher 정확한 테스트를 실행하면 무엇을 alternative = greater의미합니까? 예를 들면 다음과 같습니다. mat = matrix(c(10,5,30,60), 2,2) fisher.test(mat, alternative="greater") 내가 얻을 p-value = 0.01588하고 odds ratio = 3.943534. 또한 우발 사태 테이블의 행을 다음과 같이 뒤집을 …

11 r  statistical-significance  contingency-tables  fishers-exact 

최근에 이러한 공변량에 대한 시간 지연을 도입하지 않고 시간에 따른 공변량을 종 방향 혼합 모델에 통합 할 수 없다고 들었습니다. 이것을 확인 / 거부 할 수 있습니까? 이 상황에 대한 언급이 있습니까? 나는 명확히 할 간단한 상황을 제안한다. 40 명의 피험자에서 정량적 변수 (y, x1, x2, x3)의 측정 (30 회 …

11 r  mixed-model  lme4-nlme 

지금까지는 단면 데이터로 대부분 작업했으며 아주 최근에는 브라우징, 수많은 시계열 문헌을 통해 문제를 스캔하여 시계열 분석에서 어떤 역할 설명 변수가 어떤 역할을하는지 궁금합니다. 디트 렌딩 대신 트렌드 를 설명하고 싶습니다 . 제가 소개로 읽은 내용의 대부분은이 시리즈가 확률 론적 과정에서 나온 것이라고 가정합니다. AR (p) 및 MA 프로세스와 ARIMA 모델링에 …

11 r  time-series  multivariate-analysis 

다음 시계열 데이터를 계절, 추세 및 잔존 성분으로 분해하고 싶습니다. 데이터는 상업용 건물의 시간별 냉각 에너지 프로파일입니다. TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) 따라서 다음과 같은 조언을 바탕으로 일일 및 주간 계절 효과가 분명합니다. 여러 계절 성분으로 시계열을 분해하는 방법은 무엇입니까? 패키지 의 tbats기능을 사용했습니다 forecast. TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), …

10 r  time-series  forecasting  multiple-seasonalities  tbats 

tl; dr : null에서 생성 된 데이터 세트로 시작하여 대체 사례를 리샘플링하고 각 리 샘플링 된 데이터 세트에 대해 가설 테스트를 수행했습니다. 이 가설 검정은 시간의 5 %를 초과하여 널을 거부합니다. 아래의 매우 간단한 시뮬레이션에서는 데이터 세트를 생성 엑스~ N( 0 , 1 ) ⨿ Y~ N( 0 , 1 …

10 r  bootstrap  simulation  resampling 

수동 다항식 확장과 R poly함수 사용에 대해 다른 예측을 얻는 이유는 무엇 입니까? set.seed(0) x <- rnorm(10) y <- runif(10) plot(x,y,ylim=c(-0.5,1.5)) grid() # xp is a grid variable for ploting xp <- seq(-3,3,by=0.01) x_exp <- data.frame(f1=x,f2=x^2) fit <- lm(y~.-1,data=x_exp) xp_exp <- data.frame(f1=xp,f2=xp^2) yp <- predict(fit,xp_exp) lines(xp,yp) # using poly function …

10 r  regression  polynomial