Als «assumptions» getaggte Fragen

Bezieht sich auf die Bedingungen, unter denen ein Statistikverfahren gültige Schätzungen und / oder Schlussfolgerungen liefert. Beispielsweise erfordern viele statistische Techniken die Annahme, dass die Daten auf irgendeine Weise zufällig abgetastet werden. Theoretische Ergebnisse zu Schätzern erfordern normalerweise Annahmen über den Datenerzeugungsmechanismus.

2
Gilt das "No Free Lunch Theorem" für allgemeine statistische Tests?
Eine Frau, für die ich arbeitete, bat mich, eine Einweg-ANOVA für einige Daten durchzuführen. Ich antwortete, dass es sich bei den Daten um wiederholte Messdaten (Zeitreihen) handele und dass die Annahme der Unabhängigkeit verletzt sei. Sie antwortete, ich solle mich nicht um die Annahmen kümmern, sondern nur den Test machen …
2
Varianz-Kovarianz-Matrixinterpretation
Angenommen, wir haben ein lineares Modell Model1und vcov(Model1)geben die folgende Matrix an: (Intercept) latitude sea.distance altitude (Intercept) 28.898100 -23.6439000 -34.1523000 0.50790600 latitude -23.643900 19.7032500 28.4602500 -0.42471450 sea.distance -34.152300 28.4602500 42.4714500 -0.62612550 altitude 0.507906 -0.4247145 -0.6261255 0.00928242 Was zeigt diese Matrix in diesem Beispiel tatsächlich an? Welche Annahmen können wir sicher …
2
Überprüfung der Normalität von Residuen in verallgemeinerten linearen Modellen
In diesem Artikel werden verallgemeinerte lineare Modelle (sowohl binomiale als auch negative binomiale Fehlerverteilungen) zur Analyse von Daten verwendet. Aber dann gibt es im statistischen Analyseteil der Methoden diese Aussage: ... und zweitens durch Modellierung der Anwesenheitsdaten mithilfe logistischer Regressionsmodelle und der Futtersuchzeitdaten mithilfe eines verallgemeinerten linearen Modells (GLM). Eine …
4
Annahmen zur verbleibenden Regressionsverteilung
Warum ist es notwendig, die Verteilungsannahme auf die Fehler zu setzen, dh yi=Xβ+ϵiyi=Xβ+ϵiy_i = X\beta + \epsilon_{i} mitϵi∼N(0,σ2)ϵi∼N(0,σ2)\epsilon_{i} \sim \mathcal{N}(0,\sigma^{2}) . Warum nicht schreiben yi=Xβ+ϵiyi=Xβ+ϵiy_i = X\beta + \epsilon_{i} mityi∼N(Xβ^,σ2)yi∼N(Xβ^,σ2)y_i \sim \mathcal{N}(X\hat{\beta},\sigma^{2}) , wobei in jedem Fall ϵi=yi−y^ϵi=yi−y^\epsilon_i = y_i - \hat{y} . Ich habe gesehen, wie betont wurde, dass …
2
Warum testen manche Leute regressionsähnliche Modellannahmen an ihren Rohdaten und andere Leute testen sie an den Residuen?
Ich bin ein Doktorand in experimenteller Psychologie und ich bemühe mich sehr, meine Fähigkeiten und Kenntnisse im Analysieren meiner Daten zu verbessern. Bis zu meinem 5. Jahr in Psychologie dachte ich, dass die regressionsähnlichen Modelle (zB ANOVA) die folgenden Dinge annehmen: Normalität der Daten Varianzhomogenität für die Daten und so …
2
Welche Normalitätsannahmen sind für einen ungepaarten t-Test erforderlich? Und wann werden sie getroffen?
Wenn wir einen gepaarten t-Test durchführen möchten, ist (wenn ich das richtig verstehe), dass die mittlere Differenz zwischen den angepassten Maßeinheiten normal verteilt wird. Im gepaarten t-Test ist dies in der Forderung (AFAIK) ausgedrückt, dass die Differenz zwischen den übereinstimmenden Maßeinheiten normal verteilt wird (auch wenn die Verteilung jeder der …
1
Was ist ein guter Index für den Grad der Verletzung der Normalität und welche beschreibenden Bezeichnungen könnten diesem Index zugeordnet werden?
Kontext: In einer früheren Frage fragte @Robbie in einer Studie mit etwa 600 Fällen, warum Normalitätstests auf eine signifikante Nichtnormalität hinwiesen, die Diagramme jedoch auf Normalverteilungen hinwiesen . Mehrere Personen wiesen darauf hin, dass Signifikanztests der Normalität nicht sehr nützlich sind. Bei kleinen Stichproben haben solche Tests nicht viel Leistung, …
1
R / mgcv: Warum produzieren te () und ti () Tensorprodukte unterschiedliche Oberflächen?
Das mgcvPaket für Rhat zwei Funktionen zum Anpassen von Tensorproduktwechselwirkungen: te()und ti(). Ich verstehe die grundlegende Arbeitsteilung zwischen den beiden (Anpassen einer nichtlinearen Wechselwirkung vs. Zerlegen dieser Wechselwirkung in Haupteffekte und eine Wechselwirkung). Was ich nicht verstehe, ist warum te(x1, x2)und ti(x1) + ti(x2) + ti(x1, x2)kann (leicht) unterschiedliche Ergebnisse …
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
Normalitätsannahme bei linearer Regression
Als Annahme einer linearen Regression wird die Normalität der Fehlerverteilung manchmal fälschlicherweise "erweitert" oder als Notwendigkeit der Normalität von y oder x interpretiert. Ist es möglich, ein Szenario / einen Datensatz zu erstellen, bei dem X und Y nicht normal sind, der Fehlerterm jedoch lautet und daher die erhaltenen linearen …
3
Ist die Linearitätsannahme in der linearen Regression nur eine Definition von ?
Ich überarbeite die lineare Regression. Das Lehrbuch von Greene besagt: Nun wird es natürlich andere Annahmen zum linearen Regressionsmodell geben, wie beispielsweise . Diese Annahme kombiniert mit der Linearitätsannahme (die tatsächlich definiert ) strukturiert das Modell.E(ϵ|X)=0E(ϵ|X)=0E(\epsilon|X)=0ϵϵ\epsilon Die Linearitätsannahme an sich stellt jedoch keine Struktur auf unser Modell, da völlig willkürlich …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.