Heeft U Niet-parametrische Regressie Met Meetfouten?

Download Reimage gratis en los binnen enkele minuten veelvoorkomende pc-fouten op. Download nu.

Ik plan deze blogpost om klanten te helpen wanneer u niet-parametrische regressie met meetfouten ziet.Willekeurige multimeterfout wordt eenvoudig toegevoegd aan het bestaande fouttijdvenster (ε), waardoor het totale aantal mysterieuze uitbijters in het regressiemodel toeneemt. De fout van een eenvoudige bepaling van de β-associate neemt dus toe tot een overeenkomstig breder redelijk attitude-interval.

J Am Stat Assoc. Auteur Manuscript; verkrijgbaar bij PMC 2 mei 2010

Raymond J. Carroll

Departement Statistiek, 3143 TAMU, Texas A&M University, station College Texas, 77843, VS

Aurora Deligle

Departement Wiskunde en Statistiek, Universiteit van Melbourne, Victoria, 3010, Australië

stenen kamer
niet-parametrische regressie met meetfout

Departement Wiskunde en Statistiek, Universiteit van Melbourne, Victoria, 3010, Australië

Departement Statistiek, Universiteit over Californië, Davis, Davis, CA 95616, VS

Citaat

Overzicht

Hoe herstel je een duidelijke meetfout?

Controleer de variabele nauwkeurigheid samen met meerdere metingen.zorg ervoor dat uw huidige medicijnen correct zijn.zorg ervoor dat de experts en meters goed zijn opgeleid.Voer algemene maten van een specifiek apparaat met de grootste nauwkeurigheid uit.Voer aanvullende metingen uit onder gereguleerde omstandigheden.

Voorspel de waarde van de veranderende Y die overeenkomt met de toekomstige liefde, inclusief de onafhankelijke variabele X, gemodelleerd naar een steekproef van een eerder zelfs geleerde onafhankelijke gegevensparen (X< sub>1, Y1 …, ), (X n, Yn) gedistribueerd terwijl (X, Y) erg belangrijk als het om statistieken gaat. foutloos In het geval dat specifiek X goed nauwkeurig wordt geobserveerd, is het ideeprobleem nauw verwant aan de norm, inclusief de regressieschatting, aangezien de voorspelling van Y wordt gezien als een schatting moet worden bereikt via delen van de huidige regressie kromme E(Y|X ). Als het lezen van het materiaal Xi en toekomstige bijbehorende waarnemingen, met X, met fouten worden gemeten, is het eigenlijke idee van een volledig specifieke aard. Hier, als T een betekenisvolle mogelijke toekomstige beschikbare (vervuilde) X aangeeft, kan de beste versie van het idee Y gemakkelijk worden verkregen door een voorspelling van E(Y|T) te tonen. In de praktijk kan het bepalen van E(Y|T) behoorlijk lastig zijn, omdat recordgegevens onder verschillende omstandigheden kunnen worden verzameld, waardoor meetfouten Xi en X anders worden verdeeld. Laten we dit probleem in elke niet-parametrische stijl verwijderen en schattingen introduceren die ons ook een zeer flexibele benadering laten gebruiken om direct af te vlakken. Als gevolg van uw complexiteit van het menselijke probleem, kan een bepaalde optimale convergentiegraad van waarderingen variëren van een soort semi-parametrische snelheid van n–1/2 tot veel trage niet-parametrische rentekenmerken. Het is voor ons echter niet mogelijk om zeer adaptieve, op methoden gebaseerde gegevens te creëren die in de praktijk zeer goede algemene prestaties laten zien.

Heb geen last van crashes en fouten. Repareer ze met Reimage.

Heeft u een computerprobleem? Je bent niet alleen. In feite heeft meer dan 60% van de computers op een bepaald moment last van een soort fout of crash. Restoro is de beste oplossing om deze problemen op te lossen en uw pc weer op snelheid te krijgen. Klik hier om te beginnen:

  • 1. Download Reimage en installeer het op uw computer
  • 2. Start het programma en klik op "Scannen" om het scanproces te starten
  • 3. Klik op "Repareren" om gedetecteerde problemen op te lossen

  • Trefwoorden: dirtyBandwidth, bandbreedte, deconvolutie, foutvariabelen, snelheid, parametrische piekregressie, parameters, smoothing

    1 presentatie

    Is een niet-parametrische regressie?

    Abstract. Parametrische non-regressie is elke methode om gewoonlijk de trend van een verandering van een respons en/of een of meer voorspellers te beschrijven. Deze hit verschilt van klassieke regressiemodellen wanneer deze niet gebaseerd is op strikte logica met betrekking tot de vorm met betrekking tot unie tussen variabelen.

    niet-parametrische regressie met meetfout

    Herinner alle foutregressieproblemen in niet-parametrische variabelen. In de klassieke situatie met fouten in variabelen, bestaan ​​de gegevens uit proefmonsters van onafhankelijke identiek verdeelde onderzoeken (Wi, Yi), i = 1, – ¦ . gegenereerd door n, model Yi = g(Xi) + ∊i corresponderend zodat u W i > > Xi + Ui, waarbij elke Wi een aangepaste versie aanduidt van de echt variabele Xi sub >, Xi en Ui zijn vaak en op zichzelf staand, want i = stap 1, …, n, Ui heeft een verdeling massa van tussenliggende f U, normaal bieden we aan met Ui ! fU. De niet-parametrische schatting van g in dit geval is een moeilijk obstakel, omdat meestal optimale schattingen populair zijn voor convergentie met lage snelheden, zoals bijvoorbeeld Phan Truong (1993). Als het hier om voorspelde toekomstige waarden van Y gaat, is het echt vaak niet nodig om de functie expliciet te bepalen. In het bijzonder, als toekomstige toekomstige waarnemingen van X ook veranderen, hebben ze een goede solide grote fout U ~ fU of dan wordt het zelden aanbevolen om een ​​fout binnen de juiste grootte af te handelen, aangezien de voorspelling van Y in veel gevallen eenvoudig gedaan door een schatting die kan worden gemaakt van E(Y|X + U) = E(Y |W) met behulp van klassieke niet-parametrische regressiepercentages voor sommige van (Wi, steekproef Y ik), = ik 1, …, n. Zie Carroll et al. (2006) voor een diepgaande bespreking van deze en aanverwante zaken.

    Empirisch in toepassingen, maar alle afkomstig van alle bovenstaande modellen kunnen natuurlijk beperkt zijn, omdat mensen niet in dezelfde omstandigheden worden voorgesteld. Voor het niveau kunnen deze specifieke gegevens nog niet zo lang geleden door anderen zijn verzameld (zie Laboratoria. National Research Council 1993, r.), en in de toekomst, om nog maar te zwijgen van de waarnemingsgegevens, zijn deze mogelijk samengesteld door nog een ander laboratorium. In sommige gevallen zijn de gegevens een poging tot onafhankelijke waarnemingen (Wi, heel veel yi), van us = 1, …, s, gemaakt door

    Wat zijn niet-parametrische regressiemethoden?

    Hier zou niet-parametrische regressie de nieuwste categorie van regressieanalyse zijn, waarbij ik zou zeggen dat de voorspeller geen vooraf gespecificeerde vorm nodig heeft, maar specifiek is ontworpen op basis van de informatie die is verkregen uit onze gegevens. Dat wil zeggen dat er geen parametrisch plan wordt aangenomen tussen de relaties tussen voorspellers en afhankelijke parameters.

    waarbij elk het resultaat symboliseert wi met daarin de veranderlijke Xi! fX, met fout Ui FUi, ~ en ook met Xi > > >, Ui, ∊ii=1,…,n setare indie, toekomstige waarnemingen worden gegeven in vergelijking met T = X +UF, waarbij XUF en onafhankelijk zijn, UF ! fU F en X worden al geleverd met dezelfde distributie als Xi. Aangezien de toekomstige waarden van X van een type T X + UF zijn, kan een niet-parametrische voorspelling op Y mogelijk worden verkregen door deze niet-parametrische µ(t) = E (Y|T is be hetzelfde als bij t). In tegenstelling tot hun specifieke vorige paragraaf is dit echter vaak niet mogelijk met niet-standaard parametrische regressieschattingen. Van fU1, …, fun fUF< /sup> kan anders zijn, Wi hoeft niet noodzakelijk hetzelfde of hetzelfde te worden verspreid als T. Ondanks deze unieke moeilijkheid, is het belangrijkste doel van dit artikel om aan te tonen dat de site is inderdaad mogelijk om µ(t ) niet-parametrisch te voorspellen. Bovendien kunnen de eenheidsversnellingen van onze schatter zo snel worden als de parameter n

    [PC-gebruikers] Stop met worstelen met Windows-fouten. Reimage kan helpen. Download hier.

    Henry Cameron