タグ付けされた質問 「references」

定義された連続確率分布で必要な条件に遭遇し、名前があるかどうか疑問に思いました。CDFとpdf分布の場合、数量： が単調に増加しないことが必要です。条件を別の形式で（導関数を使用して）置く場合、要件は、すべてのに対して、です [0,∞][0,∞][0, \infty]FFFfffϕ(x)≡f(x)F(x)+xf(x)ϕ(x)≡f(x)F(x)+xf(x)\phi(x) \equiv \frac{f(x)}{F(x)+xf(x)}x∈[0,∞]x∈[0,∞]x \in [0,\infty]f′(x)>0f′(x)>0f'(x) > 0f(x)≥F(x)f′(x)2−−−−−−−−−√f(x)≥F(x)f′(x)2f(x) \geq \sqrt{\frac{F(x) f'(x)}{2}} これは一般的に満足できるプロパティのようですが、名前はありますか？これは、単調ハザード率条件と関連していますが、それとは異なります。

8 distributions  references 

多変量のウェブサイトコンバージョンデータから（十分な数の）与えられた適切な統計的推論を行うための理論的なリソース（本、チュートリアルなど）を探しています。 私は数学が関係しているので、ウェブ上でマーケティング以外の優れたものを見つけることができません。私が回答したい種類の質問：単一の変数（例：テキストの色）はどのくらいの影響がありますか？変数間の相関関係は何ですか？モデリングにはどのタイプの分布が使用されていますか（ガウス、二項など）？統計を使用して結果を分析する場合-確率変数と見なす必要があるもの-異なるバリエーションまたはインプレッションのバイナリコンバージョンまたは非コンバージョンの結果を取得するWebページ要素？ さまざまなウェブサイト最適化テスト方法とその利点\落とし穴に関する情報はたくさんあります。多変量統計一般に関する情報はたくさんあります。ウェブサイト最適化のこの特定のコンテキストにおける技術統計について説明しているリソースを知っていますか？ 情報ありがとうございます！

8 multivariate-analysis  references  optimization  ab-test  web 

パラメトリック/分析確率分布の使用に関する理論的または実用的な正当化について読むことができる、できればインターネットで無料で参照を見つけたいと思います。 パラメトリック分布とは、正規、ワイブルなどの名前付き分布を意味します。

8 probability  distributions  references 

統計の本のための重要な/著名な出版社は何ですか？ O'ReillyやSpringerで出版された本に出会ったとき、私はその品質が高くなると想像します。他に注目すべき出版社はどこにありますか（統計書用）？調べる方法について何かアドバイスはありますか？（amazonのデータベースダンプがあれば確認できると思いますが、そのようなものがどこでも利用できるとは思いません...）

8 references 

The Book of Why（Pearl＆Mackenzie、2018）、第9章（私はepub形式の本を持っているのでページ番号を共有できない）に相互作用に関する段落があり、著者は次のように主張しています。 ただし、式9.4は1つの状況で自動的に成立し、偽りの事実を呼び出す必要はありません。それは、第8章で見たような線形因果モデルの場合です。そこで議論されているように、線形モデルは相互作用を許可しません。これは、長所と短所の両方になる可能性があります。これは、メディエーション分析をはるかに容易にするという意味での美徳ですが、相互作用を伴う実際の原因プロセスを記述したい場合は欠点です。【エンファシス鉱山】 式9.4は 合計効果=直接効果+間接効果Total Effect = Direct Effect + Indirect Effect\text{Total Effect = Direct Effect + Indirect Effect} 彼らは以前に第8章で同様の議論を繰り返した。 一方、線形モデルは直線ではない用量反応曲線を表すことができません。それらは、特定の投与量まで効果が増加し、その後は効果がない薬剤などの閾値効果を表すことはできません。また、変数間の相互作用を表すこともできません。たとえば、線形モデルは、ある変数が別の変数の影響を強化または抑制する状況を記述できません。（たとえば、教育は、個人がより大きなトラックの仕事に就くことによって経験の効果を高めるかもしれません。そして、より大きな年間昇給を得ます。）[エンファシス鉱山] そして第7章では： また、回帰ベースの調整*は線形モデルに対してのみ機能することにも注意してください。これには、主要なモデリングの仮定が含まれます。線形モデルでは、XのYに対する影響がZのレベルに依存する場合など、非線形相互作用をモデル化する機能が失われます。一方、バックドア調整は、何がわからない場合でも正常に機能します関数は、図の矢印の後ろにあります。しかし、このいわゆるノンパラメトリックのケースでは、次元の呪いに対処するために他の外挿法を採用する必要があります。【エンファシス鉱山】 なぜパール＆マッケンジーは線形モデルは相互作用を許さないと主張するのですか？重要な詳細やコンテキスト固有の情報を見落としていますか？ *回帰ベースの調整により、著者は（前の段落で）時々呼んでいる、他の変数の「制御」を参照します：「回帰直線の類似体は、ような方程式を持つ回帰平面です。 ...係数は、に対して既に調整された上のの回帰係数を与えます（これは、部分回帰係数と呼ばれ、と書かれています。） "Y= a X+ b Z+ cY=aX+bZ+cY=aX+bZ+caaaYYYバツXXZZZrYバツ。ZrYX.Zr_{YX.Z}

7 references  interaction  causality 

で、このブログの記事の著者は同時に分位を推定し、全体の分位数機能をカバーして推定のために同時信頼エンベロープを構築する議論します。彼らはこれをブートストラップしてポイントワイズブートストラップ信頼区間を計算し、多重比較のためにボンフェローニ型補正を適用します。比較は独立していないので、式に従って独立した試行の有効数のようなものを計算します Ne q=N2Σ私、jr （b私、bj）Neq=N2∑i,jr(bi,bj)N_{eq}=\frac{N^2}{\sum_{i,j}r(b_i,b_j)} どこ NNN 推定するポイントの数であり、 r （b私、bj）r(bi,bj)r(b_i,b_j) 間のサンプル相関です 私はトンの時間ithith そして jjjthブートストラップベクトル。 私の質問は、この公式がどこから来たかです。それらはソースへのリンクを提供しますが、ソースにこの式は表示されません。この特定の修正が文献で使用されていることを知っている人はいますか？

7 confidence-interval  references  bootstrap  multiple-comparisons  bonferroni 

MNIST、STLN-10、CIFARなどの標準的な画像分類タスクに関して、現在どのニューラルネットワークアーキテクチャが最先端（「SOTA」と略されることもあります）であるかを理解することに興味があります。新しい結果が頻繁に公開されるため、これは挑戦的であり、追いつくのは難しい場合があります。これらのタスクの最良の結果を追跡するリソースまたはWebサイトはありますか？

7 neural-networks  references  conv-neural-network 

編集：初心者向けの一般化線形モデルに関する最良の本は何ですか？私の質問には答えません。一つには、私はその質問への回答で述べられているすべての本を本質的に持っています。彼らはこの資料をカバーしていません。質問で特に強調する必要がある部分を太字にしています。これらの「初心者向け」の教科書は、私が探しているトピックをカバーしていません。 私が線形モデルまたは一般化線形モデルで見たすべての教科書は、通常のベルヌーイ、二項、およびポアソンGLM（一般化線形モデル）をカバーしています。 私が読んだ他のタイプのGLMの背後にある理論をカバーするテキストを探しています。たとえば、通常、逆ガウス、ガンマです（そして、誰かからTweedie GLMについて聞いたことがあると思います。 tを覚えている）。 この教材が教科書でカバーされている場所を誰かが知っていますか？

7 generalized-linear-model  references 

TishbyとZaslavskyは2015年に、いわゆる情報ボトルネック原理を使用してディープニューラルネットワークのいくつかの動作を理解できると主張する有名な論文を発表しました。で（2017年4月）より最近の論文、シュワルツ-Ziv符号とTishbyは特に結果の一部を可視化する、これらの請求に展開します。 2017年の後半に、Saxeらの批評論文。OpenReviewのWebサイトに投稿されました（最近の改訂は2週​​間前）。Schwartz-Ziv-Tishbyの論文で出された主張の多くは支持されない、または少なくとも主張されている一般性ではないと主張している。実際、私がそれらを正しく読んでいる場合、視覚化された結果は活性化機能の選択のアーチファクトであると彼らは主張します-理論によれば重要ではない何か。 しかし、コメントの中で、シュワルツ-ジブとティシュビーは批評が的を外していると批判的な論文に関するコメントの長いリストを見せてくれます。これに批判的な論文の著者が順番に答えますが、おそらく会話はまだ終わっていません。 情報のボトルネックの深層学習の側面についての調査プロジェクトを開始することに関心がありますが、すでに「反駁されている」ことを学ぶのに時間を浪費するのではないかと心配しています。したがって、私の質問は次のとおりです。 ディープラーニングを理解するための情報ボトルネック原理の適用性に関する現在の専門家の意見は何ですか？ 特に、私がリンクしたもの以外のテーマの研究、および専門家による（直接的または間接的な）解説に興味があります。

7 neural-networks  references  deep-learning  information-theory 

変数間のU字型または逆U字型の関係を（回帰フレームワークで）分析するいくつかの論文を見てきました。私がそこから得た一般的な理解は、私たち全員が簡単に視覚化できる特定のタイプの非線形関係であるということです。 しかし、U字型の回帰関数を正確に数学的に定義する方法について少し混乱しています。簡単にするために、リグレッサだけがあると仮定しますバツxx。 U字型の回帰関数を持つことは、回帰関数が凸状であり、ある点までで減少し、その後が凸状でで増加することを意味しますか？バツxxccccccバツxx または、単に回帰関数がある点まで減少し、その後がで増加することを単に意味しますか？バツxxccccccバツxx

7 regression  references  terminology  nonlinear-regression  definition 

でモデルの誤差が正規分布を持つ場合、無条件の分布ノーマルです。エラーに自由度のt学生分布がある場合。の無条件分布とは何ですか？Yt∼ARMA(p,q)Yt∼ARMA(p,q)Y_t\sim ARMA(p,q)YtYtY_tνν\nuYtYtY_t したがって、 whereです。Yt=ϕ1Yt−1+⋯+ϕpYt−p+et−θ1et−1−⋯−θqet−qYt=ϕ1Yt−1+⋯+ϕpYt−p+et−θ1et−1−⋯−θqet−qY_t=\phi_1Y_{t-1}+\dots+\phi_pY_{t-p}+e_t-\theta_1e_{t-1}-\dots-\theta_q e_{t-q}et∼tνet∼tνe_t\sim t_\nu 私はそれの分布を見つける方法や、主にガウシアンエラーのケースのみをカバーしている本を見つける方法を知りません。 いくつかの参照も興味深いでしょう。

7 time-series  self-study  references  arima  t-distribution 

単純にアルゴリズムの適用方法を教えるのではなく、アルゴリズムの背後にある数学を提供する機械学習コースを探しています。Udacity Into to Machine LearningとAndrew NgのCourseraに関するコースを見てきましたが、どちらも私にはあまりにも適用されているようです。教科書の推奨事項も大歓迎です。

7 machine-learning  references 

指数ファミリは、2つの成分を使用して定義されます。-基本密度 q0（x ）q0(x)q_0(x) -多数の十分な統計 S私（x ）Si(x)S_i(x) ファミリーはすべての確率密度であり、次のように記述できます。 q(x|(λ)i)∝q0(x)exp(∑iλiSi(x))q(x|(λ)i)∝q0(x)exp⁡(∑iλiSi(x)) q(x| (\lambda)_i ) \propto q_0(x) \exp \left( \sum_i \lambda_i S_i(x) \right) パラメータ間の関係が (λi)(λi) (\lambda_i) 十分な統計の期待値： Eq(Si(x)|(λi))=∫Si(x)q0(x)exp(∑iλiSi(x))dx∫q0(x)exp(∑iλiSi(x))dxEq(Si(x)|(λi))=∫Si(x)q0(x)exp⁡(∑iλiSi(x))dx∫q0(x)exp⁡(∑iλiSi(x))dx E_q( S_i(x) | (\lambda_i) ) = \frac{\int S_i (x) q_0(x) \exp \left( \sum_i \lambda_i S_i(x) \right) dx}{ \int q_0(x) \exp \left( \sum_i \lambda_i S_i(x) \right) dx} …

7 mathematical-statistics  references  moments  exponential-family  geometry 

効果的なグラフ/データ視覚化の作成に関する参考資料を探しています。 特定のツール（R / ggplotとpython / pandasなど）を使用してデータの視覚化を作成する方法を示す本をたくさん見つけましたが、それは私が探しているものではありません。統計/数学に関してさまざまな種類のグラフを説明するリファレンスを探しています。プロセスよりも理論が欲しい。 さまざまな種類のグラフとその使用方法を知りたい。何か助けて！

7 data-visualization  references 

質問：指向性統計への「最もアクセスしやすい」導入であるリファレンスに対する推奨事項はありますか？ 「アクセシブル」とは、多くの著者がその分野で経験豊富で知識が豊富であるため、新規参入者を混乱させる当たり前のことをよく考えていることを意味します。したがって、主にこの落とし穴を回避する方向統計（コンパクトリーマン多様体での観測の統計）の入門書がある場合、知りたいと思います。 ただし、回答者が1〜2文で説明できる推奨事項があれば役立つと思います。 前提条件については、基本的な微分とリーマン幾何学、および基本的な統計を知っています。しかし、私は完全な専門家ではないので、その資料のいずれかを再度説明する参照は、私にとって問題にはなりません。 また、付随的な質問として、情報ジオメトリの知識は方向性統計とどの程度重複していますか？どちらも（リーマン）幾何学の統計的質問への適用を伴うことは知っていますが、それはそれについてです。 試み： 以下の（記事ではない）参照がWikipediaで見つかります-しかし、初心者にとってそれらがどれほど役立つか、役に立たないかはわかりません。 Batschelet、E。生物学における循環統計、Academic Press、ロンドン、1981。ISBN0-12-081050-6。 フィッシャー、NI。、循環データの統計分析、ケンブリッジ大学出版局、1993。ISBN0-521-35018-2 フィッシャー、NI。、ルイス、T。、エンブレトン、BJJ。Statistical Analysis of Spherical Data、Cambridge University Press、1993。ISBN0-521-45699-1 マルディア、KV。およびJupp P.、Directional Statistics（2nd edition）、John Wiley and Sons Ltd.、2000。ISBN0-471-95333-4 ダウンズ（1972）オリエンテーション統計。Biometrika、59、665〜676 Mardia and Juppの本は、このMathOverflowの投稿にも記載されています。

7 references  circular-statistics  information-geometry