タグ付けされた質問 「variogram」

非常に大きなデータセットがあり、約5％のランダムな値が欠落しています。これらの変数は互いに相関しています。次のRデータセットの例は、ダミーの相関データを使用した単なるおもちゃの例です。 set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, sep ="") rownames(xmat) <- paste("sample", 1:200, sep = "") #M variables are correlated N <- 2000000*0.05 # 5% random missing values inds <- round ( runif(N, 1, length(xmat)) …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

私は通常のクリギングに関連するこのウィキの記事をフォローしていました これで、4つの変数の共分散行列は次のようになります。 1 0.740818220681718 0.548811636094027 0.406569659740599 0.740818220681718 1 0.740818220681718 0.548811636094027 0.548811636094027 0.740818220681718 1 0.740818220681718 0.406569659740599 0.548811636094027 0.740818220681718 1 まあ、semvariogramとvariogramの関係は γ（h ）/（C0 ）= 1 − C（h ）/ C（0 ）γ（h）/（C0）=1−C（h）/C（0）\gamma(h)/(C0) = 1 - C(h)/C(0) そこで、も計算しました。次のように重みを計算しようとするとγ（h ）γ（h）\gamma(h) A = 1.0000 0.7408 0.5488 1.0000 0.7408 1.0000 0.7408 1.0000 0.5488 0.7408 1.0000 1.0000 1.0000 1.0000 …

8 covariance  autocorrelation  variogram 

これは、調査中のフィールドを介した変数の空間依存性の記述子としてバリオグラムを計算するために、座標のセット（たとえば、2Dとして{x,y}）と少なくとも関連する変数（たとえば、v）を持つ簡単なアプローチです。 v 質問は私に現れました： バリオグラムを持つデータセットの実現をどのように生成するか？（逆移動！） つまり、少なくとも1つのバリオグラムが利用可能ですが、データセットも他の説明も利用できず、そのようなバリオグラムを持つ可能性のある元の（不明な）データセットの実現を生成することが目標です。 そのような実現がある確率はどれくらいですか？ 更新/コメント：variogram上記の文脈 から、私は経験的バリオグラムを意味します。バリオグラムモデルのフィッティングは、少なくともこの質問では問題ではないと思います。また、バリオグラムはペア（h、ガンマ）としても利用できます。

8 spatial  random-generation  variogram