タグ付けされた質問 「regression」

1つ（または複数）の「従属」変数と「独立」変数の間の関係を分析する手法。

2
従属変数の測定エラーが結果にバイアスをかけないのはなぜですか？
独立変数に測定誤差がある場合、私は結果が0にバイアスされることを理解しました。従属変数が誤差で測定される場合、標準誤差に影響するだけだと彼らは言っていますが、これは私にはあまり意味がありませんの影響を元の変数Yではなく他のYに加えてエラーを推定する。では、これはどのように見積もりに影響を与えないのでしょうか？この場合、インストルメンタル変数を使用してこの問題を削除できますか？XXXYYYYYY
4
主な関心のないすべての変数を対数変換しないのはなぜですか？
本やディスカッションでは、予測子、ログ変換imgの問題（いくつかあります）に直面した場合、それが可能性があるとしばしば述べられています。現在、これは分布に依存し、予測変数の正規性は回帰の仮定ではないことを理解しています。しかし、ログ変換はデータをより均一にし、外れ値などの影響を少なくします。 私はメイン変数以外のすべての連続変数、つまり調整するだけの変数をログ変換することを考えました。 それは間違っていますか？良い？役に立たない？
2
逆独立変数による回帰
のは、私が持っているとしましょう -ベクトル従属変数のを、および -ベクトルの独立変数の。場合プロットされている、私は2つの間の直線関係（上昇傾向）があることがわかります。これは、と間に線形の下降傾向があることも意味します。Y N X Y 1NNNYYYNNNバツXXYYY YX1バツ1X\frac{1}{X}YYYXXX ここで、回帰を実行した場合： と近似値を得ますY = β XY=β∗X+ϵY=β∗X+ϵY = \beta * X + \epsilonY^=β^XY^=β^X\hat{Y} = \hat{\beta}X 次に、回帰を実行します：とフィッティングされた値 〜Y = α 1Y=α∗1X+ϵY=α∗1X+ϵY = \alpha * \frac{1}{X} + \epsilonY~=α^1XY~=α^1X\tilde{Y} = \hat{\alpha} \frac{1}{X} 2つの予測値、とはほぼ等しくなりますか？ 〜YY^Y^\hat{Y}Y~Y~\tilde{Y}
2
差異のある介入
たとえば、ここで説明するように時系列データ（別名：中断された時系列）を使用して介入分析を実行するときの要件の1つは、介入による総利得（または損失）を推定することです。 ）。 R内のフィルター関数を使用して介入関数を推定する方法を完全に理解しているわけではないので、私はこれを力ずくでやってみました。 データが与えられたとしましょう cds<- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 3362L, 2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L, 2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L, 4523L, 4186L, 4070L, 4000L, 3498L), .Dim = c(29L, 1L), .Dimnames = list( NULL, "CD"), .Tsp = c(2012, 2014.33333333333, 12), class = …
3
R（または一般的に）で、回帰係数を特定の符号にすることは可能ですか？
私はいくつかの実世界のデータを使用していますが、回帰モデルは直観に反する結果をもたらしています。通常私は統計を信頼しますが、実際にはこれらのいくつかは真実ではありません。私が見ている主な問題は、実際には、それらが負の相関関係にあるに違いないのに、1つの変数の増加が応答の増加を引き起こしていることです。 各回帰係数に特定の符号を強制する方法はありますか？これを行うRコードも同様にありがたいです。 助けてくれてありがとう！
1
非正規分布のエラーが重要性ステートメントの有効性を損なうのはなぜですか
OLSモデルを検討する場合、正規性の仮定があり、エラーは正規分布します。私はCross Validatedを閲覧してきましたが、エラーが正常であるために、YとXが通常である必要はないようです。私の質問は、非正規分布エラーがある場合、なぜ重要性ステートメントの有効性が損なわれるのかということです。信頼区間が広すぎたり狭すぎたりするのはなぜですか？
1
一般化された加法モデルの分散インフレ係数
線形回帰の通常のVIF計算では、各独立変数/説明変数は、通常の最小二乗回帰では従属変数として扱われます。すなわちバツjXjX_j バツj= β0+ ∑i = 1 、i ≠ jんβ私バツ私Xj=β0+∑i=1,i≠jnβiXi X_j = \beta_0 + \sum_{i=1, i \neq j}^n \beta_i X_i 値のそれぞれについて格納される回帰とVIFは、によって決定されます nR2R2R^2んnn V私Fj= 11 − R2jVIFj=11−Rj2 VIF_j = \frac{1}{1-R^2_j} 特定の説明変数。 私の一般化加法モデルが Y= β0+ ∑i = 1んβ私バツ私+ ∑j = 1メートルsj（X私）。Y=β0+Σ私=1んβ私バツ私+Σj=1メートルsj（バツ私）。 Y=\beta_0+ \sum_{i=1}^n \beta_iX_i + \sum_{j=1}^m s_j(X_i) . このタイプのモデルに相当するVIF計算はありますか？多重共線性をテストするために滑らかな項を制御できる方法はありますか？sjsjs_j
1
GARCH（1,1）を近似する-Rの共変量を持つモデル
単純なARIMAモデルなど、時系列モデリングの経験があります。現在、ボラティリティクラスタリングを示すデータがいくつかあります。そのデータにGARCH（1,1）モデルを当てはめることから始めたいと思います。 データ系列とそれに影響を与えると思われるいくつかの変数があります。基本的な回帰用語では、次のようになります。 yt= α + β1バツt 1+ β2バツt 2+ ϵt。yt=α+β1xt1+β2xt2+ϵt. y_t = \alpha + \beta_1 x_{t1} + \beta_2 x_{t2} + \epsilon_t . しかし、これをGARCH（1,1）-モデルに実装する方法に完全に困っていますか？私が見てきたrugarch-packageとfGarch-packageでR、私は1つが、インターネット上で見つけることができるの例以外にも意味のある何かをすることができていません。
10 r  regression  garch 
1
トレーニングセットとテストセットを使用して回帰モデルのパフォーマンスを評価していますか？
テストセットを実行し、トレーニングセットでモデルをトレーニングすることにより、分類モデルのパフォーマンスを評価することについてよく耳にします。次に、予測値用と真値用の2つのベクトルを作成します。明らかに比較を行うと、Fスコア、カッパ統計、精度と再現率、ROCカーブなどを使用して、予測力によってモデルのパフォーマンスを判断できます。 これは、回帰のような数値予測の評価とどのように比較しますか？トレーニングセットで回帰モデルをトレーニングし、それを使用して値を予測し、これらの予測値をテストセットにある真の値と比較できると思います。これは分類タスクではないため、パフォーマンスの測定値は明らかに異なるはずです。通常の残差と統計は明白な指標ですが、回帰モデルのパフォーマンスを評価するためのより/より良い方法はありますか？分類には非常に多くのオプションがあるようですが、回帰はR 2と残差に任されています。R2R2R^2R2R2R^2
1
これら2つの回帰モデルの基本的な違いは何ですか？
有意な相関がある2変量応答があるとします。これらの結果をモデル化する2つの方法を比較しようとしています。1つの方法は、2つの結果の違いをモデル化することです： 別の方法は、それらを使用またはモデル化することです： （Y 、I 、J = β 0 + 時間+ X ' β ）(yi2−yi1=β0+X′β)(yi2−yi1=β0+X′β)(y_{i2}-y_{i1}=\beta_0+X'\beta)glsgee(yij=β0+time+X′β)(yij=β0+time+X′β)(y_{ij}=\beta_0+\text{time}+X'\beta) fooの例を次に示します。 #create foo data frame require(mvtnorm) require(reshape) set.seed(123456) sigma <- matrix(c(4,2,2,3), ncol=2) y <- rmvnorm(n=500, mean=c(1,2), sigma=sigma) cor(y) x1<-rnorm(500) x2<-rbinom(500,1,0.4) df.wide<-data.frame(id=seq(1,500,1),y1=y[,1],y2=y[,2],x1,x2) df.long<-reshape(df.wide,idvar="id",varying=list(2:3),v.names="y",direction="long") df.long<-df.long[order(df.long$id),] df.wide$diff_y<-df.wide$y2-df.wide$y1 #regressions fit1<-lm(diff_y~x1+x2,data=df.wide) fit2<-lm(y~time+x1+x2,data=df.long) fit3<-gls(y~time+x1+x2,data=df.long, correlation = corAR1(form = ~ 1 | time)) …
2
堅牢な回帰推論とサンドイッチ推定量
ロバストな回帰推論を実行するためのサンドイッチ推定量の使用例を教えてもらえますか？ の例を見ることができますが、関数から返された分散共分散行列を使用して回帰モデルから得られた（rコード化）から推定およびp値に?sandwichどのように移行できるかがよくわかりません。 lm(a ~ b, data)sandwich
10 r  regression  lm  sandwich 
3
が大きい場合のネストされたバイナリロジスティック回帰モデルの比較
より良い私の質問をするために、私は16変数モデル（両方からの出力のいくつか提供しているfit）と17変数モデル（fit2下記）を（これらのモデル内のすべての予測変数は、これらのモデル間の唯一の違いはそれがどこにあるか、連続してfitいません変数17（var17）を含む）： fit Model Likelihood Discrimination Rank Discrim. Ratio Test Indexes Indexes Obs 102849 LR chi2 13602.84 R2 0.173 C 0.703 0 69833 d.f. 17 g 1.150 Dxy 0.407 1 33016 Pr(> chi2) <0.0001 gr 3.160 gamma 0.416 max |deriv| 3e-05 gp 0.180 tau-a 0.177 Brier 0.190 fit2 Model Likelihood Discrimination …
3
弾性ネットに関連する混乱
エラスティックネットに関する記事を読んでいました。Lassoのみを使用する場合、相関性の高い予測子の中から1つだけを選択する傾向があるため、弾性ネットを使用すると彼らは言います。しかし、これは私たちが望んでいることではありません。つまり、多重共線性の問題から私たちを救ってくれるのではありません。 提案/説明はありますか？
1
ロジットの線形性の違反に対するロジスティック回帰のロバスト性の調査
バイナリの結果（開始と開始ではない）でロジスティック回帰を行っています。私の予測因子の組み合わせは、すべて連続変数または二分変数です。 Box-Tidwellアプローチを使用すると、私の連続予測子の1つがロジットの線形性の仮定に違反する可能性があります。適合度の統計から、適合度に問題があるという兆候はありません。 その後、元の連続変数を次のように置き換えて、回帰モデルを再度実行しました。1つ目は平方根変換、2つ目は変数の二分法バージョンです。 出力を調べると、適合度はわずかに向上しているようですが、残差が問題になります。パラメータ推定値、標準誤差、およびは比較的似ています。データの解釈は、3つのモデル間で私の仮説の観点からは変わりません。exp(β)exp⁡(β)\exp(\beta) したがって、私の結果の有用性とデータの解釈の観点から、元の連続変数を使用して回帰モデルを報告するのが適切なようです。 私はこれを思っています： ロジスティック回帰は、ロジット仮定の線形性の潜在的な違反に対して堅牢なのはいつですか？ 上記の例を考えると、元の連続変数をモデルに含めることは許容できると思われますか？ モデルがロジットの線形性の潜在的な違反に対してロバストであることを受け入れることが十分である場合に推奨するためのリファレンスまたはガイドはありますか？
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.