タグ付けされた質問 「total-least-squares」

私は常にlm()R での線形回帰を実行するために使用します。この関数は、ような係数返しますyyyxxxββ\betay=βx.y=βx.y = \beta x. 今日、私は総最小二乗について学び、そのprincomp()機能（主成分分析、PCA）を使用してそれを実行できることを学びました。それは私にとって良いはずです（より正確に）。を使用していくつかのテストを行いましたprincomp()： r <- princomp( ~ x + y) 私の問題は、結果をどのように解釈するかです。回帰係数を取得するにはどうすればよいですか？「係数」とは、値を掛けて近い数を与えるために使用しなければならない数を意味します。ββ\betaxxxyyy

29 r  pca  least-squares  deming-regression  total-least-squares 

現在、2つの異なるリンテスト値を相互に変換する方法に取り組んでいます。 バックグラウンド 土壌中の植物の利用可能なリンを測定するための多くの（抽出）方法が存在します。国によって適用される方法が異なるため、国ごとの出生率を比較するには、P検定値yに基づいてP検定値xを計算する必要があり、逆も同様です。したがって、応答と共変量は交換可能です。 抽出剤1のP量= [mg / 100g土壌]のP_CAL 抽出剤2のP量= P_DL [mg /土壌100g] このような「変換方程式」を確立するために、136の土壌サンプルのP含有量をCALおよびDL抽出物で分析しました。土壌pH、全有機炭素、全窒素、粘土、炭酸塩などの追加パラメーターも測定されました。目的は、単純な回帰モデルを導出することです。2番目のステップでは、複数のモデルも使用します。 データの概要を説明するために、単純な線形（OLS）回帰直線を使用した2つの散布図を示します。 質問： 私の理解では、応答変更（y）変数と説明変数（x）の両方に（測定）エラーがあり、互換性がある場合は、デミング回帰が適しています。デミング回帰は、分散比が既知であることを前提としています。P抽出測定の精度に関する詳細はありませんが、分散比を決定する別の方法はありますか？ここでどの差異が意味されますか？計算されていないと思いますvar(DL_P)/var(CAL_P)か？ Q1：デミング回帰の分散比を決定するにはどうすればよいですか？ デミング回帰の特殊なケースは、直交回帰です。分散比= 1と仮定します。 Q2：仮定δ= 1が「ほぼ」正しいか、または（誤った）仮定が高い予測エラーを伴うかどうかを診断する方法はありますか？ δ= 1と仮定すると、直交回帰は次の（丸められた）出力を提供します library(MethComp) deming <- Deming(y=P_CAL, x=P_DL, vr=1) 切片：0.75; 勾配：0.71; シグマP_DL：3.17; シグマP_CAL：3.17 上記のプロットでデミング回帰線をプロットすると、デミング回帰はa）CAL-P = f（DL-P）回帰に非常に近いが、b）DL-P = f（CAL-P）とは非常に異なることがわかります方程式。 Q3：正解です。直交回帰では、CAL-P = f（DL-P）とDL-P = f（CAL-P）は同じ式で表されますか？そうでない場合、どのようにして両方の正しい方程式を導出できますか？ここで何が恋しいですか？ 両方の抽出ソリューションの特性により、DL-P値はCAL-P値よりも約25％高くなる傾向があるため、CAL-P = f（DL-P）はDL-P = f（CAL -P）。ただし、勾配が1つしかない場合、これはデミング回帰では表現されません。最後の質問です。 Q4：デミング回帰は私の目的にとって有効なアプローチですか？

9 regression  total-least-squares 

このアーカイブされたr-helpスレッドで Terry T.が提供するDeming関数を使用しています。2つの方法を比較しているので、次のようなデータがあります。 y x stdy stdx 1 1.2 0.23 0.67 2 1.8 0.05 0.89 4 7.5 1.13 0.44 ... ... ... ... デミング回帰（「総最小二乗回帰」とも呼ばれます）を実行し、勾配と切片を取得しました。相関係数を取得したいので、計算を開始します。数式を手動で入力しました：R2R2R^2 R2 <- function(coef,i,x,y,sdty){ predy <- (coef*x)+i stdyl <- sum((y-predy)^2) ### The calculated std like if it was a lm (SSres) Reelstdy <- sum(stdy) ### the real …

8 r  r-squared  deming-regression  total-least-squares 

実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group（コントロール、実験）、time（最初、2、3）、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です！ 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか？どちらが正しい方法でしょうか？

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka