タグ付けされた質問 「variance-decomposition」

米国の郡で回帰分析を実行し、「独立」変数の共線性をチェックしています。Belsley、Kuh、およびWelschの回帰診断では、Condition IndexおよびVariance Decomposition Proportionsを調べることを推奨しています。 library(perturb) ## colldiag(, scale=TRUE) for model with interaction Condition Index Variance Decomposition Proportions (Intercept) inc09_10k unins09 sqmi_log pop10_perSqmi_log phys_per100k nppa_per100k black10_pct hisp10_pct elderly09_pct inc09_10k:unins09 1 1.000 0.000 0.000 0.000 0.000 0.001 0.002 0.003 0.002 0.002 0.001 0.000 2 3.130 0.000 0.000 0.000 0.000 0.002 0.053 0.011 …

26 r  multicollinearity  vif  variance-decomposition 

著者が2つの予測変数を使用して重回帰を実行した論文を読んだばかりです。全体のr 2乗値は0.65でした。彼らは、2つの予測変数の間でr 2乗を分割する表を提供しました。テーブルは次のようになりました。 rsquared beta df pvalue whole model 0.65 NA 2, 9 0.008 predictor 1 0.38 1.01 1, 10 0.002 predictor 2 0.27 0.65 1, 10 0.030 データセットRを使用して実行したこのモデルではmtcars、全体のr 2乗値は0.76です。 summary(lm(mpg ~ drat + wt, mtcars)) Call: lm(formula = mpg ~ drat + wt, data = mtcars) Residuals: Min 1Q …

16 r  multiple-regression  r-squared  importance  variance-decomposition 

私の質問は本当に単純なものですが、それらは本当に私を理解するものです:)私は、特定の時系列が加法または乗法分解法を使用して分解されるかどうかを評価する方法を本当に知りません。お互いを区別するための視覚的な手掛かりがあることは知っていますが、理解できません。 この時系列を例にとります： どのように説明しますか？ よろしくお願いします。

9 time-series  mathematical-statistics  variance-decomposition 

せて同一の確率空間上に定義された確率変数であるとの共分散させ、X及びYが有限で、合計共分散/共分散分解式状態の次に法則： Covを（X 、Y ）= E [ Covを（X 、Y | Z ）] ⏟（i） + Cov [ E（X | Z ）、E（Y | Z ）]X,Y,ZX,Y,ZX,Y,ZXXXYYY の解釈は何であると？Cov(X,Y)=E[Cov(X,Y|Z)](i)+Cov[E(X|Z),E(Y|Z)](ii)Cov(X,Y)=E[Cov(X,Y|Z)]⏟(i)+Cov[E(X|Z),E(Y|Z)]⏟(ii)\begin{align} \text{Cov}(X,Y)=\underbrace{\mathbb{E}\big[\text{Cov}(X,Y\lvert Z)\big]}_{\text{(i)}}+\underbrace{\text{Cov}\big[\mathbb{E}(X\lvert Z),\mathbb{E}(Y\lvert Z)\big]}_{\text{(ii)}} \end{align}（ⅱ）(i)(i)\text{(i)}(ii)(ii)\text{(ii)} 私の考えは：（II）は、2つの条件付き期待値がランダム変数として自分自身を見ることができますに、私はまた、この設定によって示すことができる全分散/分散分解式の法則を一般化したものであることを知っている、解釈ばらつきの次にであるにより説明によって、および原因不明。しかし、上記の（i）と（ii）の共分散式の正しい解釈は何ですか？ウィキペディアは、あまり満足のいくものではない簡単な説明を提供しています。Y Z ZX=YX=YX=YYYYZZZZZZ

9 probability  covariance  variance-decomposition