คำถามติดแท็ก interaction

ฉันมีเอฟเฟกต์หลัก ๆ สองแบบ V1 และ V2 ผลกระทบของ V1 และ V2 บนตัวแปรตอบกลับเป็นค่าลบ อย่างไรก็ตามด้วยเหตุผลบางอย่างฉันได้รับค่าสัมประสิทธิ์บวกสำหรับคำศัพท์ที่มีปฏิสัมพันธ์ V1 * V2 ฉันจะตีความสิ่งนี้ได้อย่างไร สถานการณ์ดังกล่าวเป็นไปได้หรือไม่

17 regression  interaction 

กราฟไซเคิลกำกับ (DAGs; เช่น, กรีนแลนด์และอัล, 1999) เป็นส่วนหนึ่งของการอนุมานเชิงสาเหตุของการอนุมานเชิงสาเหตุจากการตีความเชิงลบของค่ายเหตุ ในกราฟเหล่านี้การมีลูกศรจากตัวแปรAAAไปยังตัวแปรอ้างว่าตัวแปรสาเหตุโดยตรง (การเปลี่ยนแปลงความเสี่ยง) ตัวแปรและการไม่มีลูกศรดังกล่าวยืนยันว่าตัวแปรไม่ได้ก่อให้เกิดโดยตรง ของ) ตัวแปรBBBBAAABBBAAABBB ยกตัวอย่างเช่นคำแถลง "การสัมผัสกับควันบุหรี่โดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" โดยลูกศรสีดำจาก "การสัมผัสกับควันบุหรี่" เป็น "Mesothelioma" ในแผนภาพสาเหตุDAG ไม่ใช่ด้านล่าง ในทำนองเดียวกันคำแถลง "การเปิดรับแร่ใยหินโดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" ถูกแสดงโดยลูกศรสีดำจาก "การสัมผัสแร่ใยหิน" เป็น "Mesothelioma" ในกราฟสาเหตุไม่ใช่ DAGด้านล่าง ฉันใช้คำที่ไม่ใช่ DAGเพื่ออธิบายกราฟสาเหตุด้านล่างเนื่องจากลูกศรสีแดงซึ่งฉันตั้งใจจะยืนยันบางสิ่งเช่น "การสัมผัสกับแร่ใยหินทำให้เกิดการเปลี่ยนแปลงในผลกระทบโดยตรงจากการได้รับควันบุหรี่จากความเสี่ยงของ Mesothelioma" (ใยหินทำกายภาพ ความเสียหายต่อเซลล์ของปอดนั้นนอกจากจะทำให้เกิดความเสี่ยงต่อการเปลี่ยนแปลงของ Mesothelioma โดยตรงยังทำให้เซลล์มีความเสี่ยงต่อการเกิดมะเร็งจากการสัมผัสควันบุหรี่มากขึ้นและทำให้การสัมผัสกับแร่ใยหินและยาสูบเพิ่มขึ้น ความเสี่ยงที่มากกว่าผลรวมของความเสี่ยงแยกกันทั้งสอง) และสิ่งนี้ค่อนข้างไม่สอดคล้องกับความหมายที่เป็นทางการของลูกศรสาเหตุใน DAG ที่ฉันอธิบายเมื่อเริ่มต้นคำถามของฉัน (เช่นเพราะลูกศรสีแดงไม่ยุติในตัวแปร) หนึ่งจะแสดงผลกระทบปฏิสัมพันธ์อย่างถูกต้องภายในพิธีการทางสายตาของ DAG อย่างไร อ้างอิง กรีนแลนด์, เอส., เพิร์ล, เจและโรบินส์, …

17 interaction  causality  dag 

การทดสอบการเปลี่ยนรูป (เรียกอีกอย่างว่าการทดสอบแบบสุ่มการทดสอบแบบสุ่มอีกครั้งหรือการทดสอบที่แน่นอน) มีประโยชน์มากและมีประโยชน์เมื่อสมมติฐานของการแจกแจงปกติที่ต้องการโดยตัวอย่างเช่นt-testไม่พบและเมื่อการเปลี่ยนแปลงของค่าโดยการจัดอันดับ การทดสอบแบบไม่มีพารามิเตอร์Mann-Whitney-U-testจะนำไปสู่การสูญเสียข้อมูลมากขึ้น อย่างไรก็ตามไม่ควรมองข้ามสมมุติฐานข้อเดียวและข้อเดียวเพียงข้อเดียวเมื่อใช้การทดสอบชนิดนี้คือข้อสมมติฐานของความสามารถแลกเปลี่ยนได้ของตัวอย่างภายใต้สมมติฐานว่าง เป็นที่น่าสังเกตว่าวิธีการแบบนี้สามารถใช้ได้เมื่อมีตัวอย่างมากกว่าสองตัวอย่างเช่นสิ่งที่นำไปใช้ในcoinแพ็คเกจ R คุณช่วยกรุณาใช้ภาษาที่เป็นรูปเป็นร่างหรือปรีชาเชิงแนวคิดในภาษาอังกฤษธรรมดาเพื่อแสดงสมมติฐานนี้ได้หรือไม่? นี่จะมีประโยชน์มากในการอธิบายปัญหาที่ถูกมองข้ามในหมู่ผู้ที่ไม่ใช่นักสถิติเช่นฉัน หมายเหตุ: จะเป็นประโยชน์อย่างมากหากพูดถึงกรณีที่การใช้การทดสอบการเปลี่ยนแปลงไม่ถือหรือไม่ถูกต้องภายใต้สมมติฐานเดียวกัน ปรับปรุง: สมมติว่าฉันมี 50 วิชาที่รวบรวมจากคลินิกท้องถิ่นในเขตของฉันโดยการสุ่ม พวกเขาถูกสุ่มให้รับยาหรือยาหลอกในอัตราส่วน 1: 1 พวกเขาทั้งหมดถูกวัดสำหรับ Paramerter 1 Par1ที่ V1 (พื้นฐาน), V2 (3 เดือนต่อมา) และ V3 (1 ปีต่อมา) วิชาทั้งหมด 50 กลุ่มสามารถแบ่งเป็น 2 กลุ่มตามคุณสมบัติ A; ค่าบวก = 20 และค่าลบ = 30 นอกจากนี้ยังสามารถจัดกลุ่มย่อยได้อีก 2 กลุ่มตามคุณลักษณะ B; B positive = …

15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

ฉันมีคำถามเกี่ยวกับการใช้โมเดลผสม / Lmer ของฉัน โมเดลพื้นฐานคือ: lmer(DV ~ group * condition + (1|pptid), data= df) กลุ่มและเงื่อนไขเป็นทั้งสองปัจจัย: กลุ่มมีสองระดับ (groupA, groupB) และเงื่อนไขมีสามระดับ (เงื่อนไข 1, เงื่อนไข 2, เงื่อนไข 3) มันเป็นข้อมูลจากวิชามนุษย์ดังนั้น pptid จึงเป็นผลแบบสุ่มสำหรับแต่ละคน โมเดลพบสิ่งต่อไปนี้พร้อมกับเอาต์พุตค่า p: Estimate MCMCmean HPD95lower HPD95upper pMCMC Pr(>|t|) (Intercept) 6.1372 6.1367 6.0418 6.2299 0.0005 0.0000 groupB -0.0614 -0.0602 -0.1941 0.0706 0.3820 0.3880 …

14 interaction  interpretation  lme4-nlme  model 

ฉันเจอคำศัพท์สองคำนี้ที่ใช้แทนกันได้ในหลายบริบท โดยทั่วไป moderator (M) เป็นปัจจัยที่ส่งผลกระทบต่อความสัมพันธ์ระหว่าง X และ Y การวิเคราะห์การกลั่นกรองมักจะทำโดยใช้แบบจำลองการถดถอย ตัวอย่างเช่นเพศ (M) สามารถส่งผลกระทบต่อความสัมพันธ์ระหว่าง "การวิจัยผลิตภัณฑ์" (X) และ "การซื้อผลิตภัณฑ์" (Y) ในการโต้ตอบ X1 และ X2 จะมีอิทธิพลต่อ Y ตัวอย่างเช่นเดียวกันนี้คือ "การวิจัยผลิตภัณฑ์" (X1) ได้รับผลกระทบจาก "เพศ" (X2) และพวกเขามีผลต่อ "การซื้อผลิตภัณฑ์" (Y) ฉันจะเห็นว่าในการดูแล M มีผลต่อความสัมพันธ์ XY แต่ในการโต้ตอบ M (ซึ่งเป็นเพศในกรณีนี้) มีผลต่อ IV อื่น ๆ คำถาม : หากเป้าหมายของโครงการคือดูว่าเพศมีผลต่อความสัมพันธ์ระหว่าง X และ Y อย่างไรฉันควรใช้การควบคุมหรือการโต้ตอบ …

14 regression  interaction  interpretation  regression-coefficients  terminology 

เมื่อเร็ว ๆ นี้คำถามการสืบค้นแบบสุ่มทำให้เกิดความทรงจำเกี่ยวกับความเห็นนอกมือจากอาจารย์คนหนึ่งของฉันเมื่อสองสามปีก่อนเตือนเกี่ยวกับการใช้อัตราส่วนในแบบจำลองการถดถอย ดังนั้นฉันจึงเริ่มอ่านสิ่งนี้นำไปสู่ ​​Kronmal 1993 ในที่สุด ฉันต้องการตรวจสอบให้แน่ใจว่าฉันตีความคำแนะนำของเขาเกี่ยวกับวิธีการสร้างแบบจำลองเหล่านี้อย่างถูกต้อง สำหรับโมเดลที่มีอัตราส่วนซึ่งมีตัวหารเดียวกันทั้งในส่วนที่ขึ้นกับและอิสระ: Z- 1Y= Z- 11nβ0+ Z- 1XβX+ βZ+ Z- 1εZ-1Y=Z-11nβ0+Z-1XβX+βZ+Z-1ε Z^{-1}Y = Z^{-1}1_n\beta_0 + Z^{-1}X\beta_X + \beta_Z + Z^{-1}\epsilon ถอยหลังอัตราส่วนที่พึ่งพาในตัวแปรตัวหาร (ผกผัน) นอกเหนือจากอัตราส่วนอื่น ๆ น้ำหนักโดยตัวแปรตัวหาร (ผกผัน) สำหรับโมเดลที่มีตัวแปรตามเป็นอัตราส่วน: Y= β0+ βXX+ Z1nα0+ ZXαX+ Z- 1εY=β0+βXX+Z1nα0+ZXαX+Z-1ε Y = \beta_0 + \beta_XX + Z1_n\alpha_0 + ZX\alpha_X …

14 regression  modeling  interaction  weighted-regression  ratio 

ฉันใช้แพ็กเกจ R lavaanเพื่อประมาณโมเดลสมการเชิงโครงสร้าง สมมุติว่าตัวแบบประกอบด้วยตัวแปรรายการภายนอก 1 ตัวซึ่งมี 1 ตัวแปรแฝงและตัวแปรอธิบาย 2 รายการ: group = {0,1} attitude1 = latent,scale age = respondent's age โมเดลลาวาที่ต้องการคือ (ไม่ทำงาน): model <- ' attitude1 =~ att1 + att2 + att3 outcome ~ age*group + attitude1*group' เป้าหมายของฉันคือในสิ่งที่สามารถทำได้ในการถดถอยเชิงเส้นเพื่อสร้างผลกระทบหลักและปฏิสัมพันธ์ระหว่างแต่ละตัวแปรและกลุ่ม สามารถทำได้หรือไม่

13 r  interaction  sem  lavaan 

ฉันกำลังมองหาคำแนะนำและความคิดเห็นที่เกี่ยวข้องกับการวิเคราะห์อัตราส่วนและอัตรา ในสาขาที่ฉันทำงานวิเคราะห์อัตราส่วนโดยเฉพาะอย่างยิ่งเป็นที่แพร่หลาย แต่ฉันได้อ่านเอกสารสองสามฉบับที่แนะนำว่านี่อาจเป็นปัญหาได้ฉันกำลังคิดถึง: Kronmal, Richard A. 1993. ความสัมพันธ์ปลอมและการเข้าใจผิดของมาตรฐานอัตราส่วนที่มาเยือน วารสารสมาคมสถิติราชวงศ์ A 156 (3): 379-392 และเอกสารที่เกี่ยวข้อง จากสิ่งที่ฉันได้อ่านจนถึงขณะนี้ก็ดูเหมือนว่าอัตราส่วนสามารถสร้างความสัมพันธ์ปลอมเส้นแรงถดถอยผ่านต้นกำเนิด (ซึ่งเป็นสิ่งที่ไม่เหมาะสมเสมอ) และการสร้างแบบจำลองพวกเขาอาจละเมิดหลักการของขอบเขตหากไม่ได้ทำอย่างถูกต้อง ( ใช้อัตราส่วนในการถดถอยโดยริชาร์ดโกลด์สไตน์ ) อย่างไรก็ตามจะต้องมีโอกาสเมื่อการใช้อัตราส่วนเป็นธรรมและฉันต้องการความคิดเห็นจากนักสถิติในหัวข้อนี้

13 modeling  multiple-regression  generalized-linear-model  interaction  confounding 

ข้อดีและข้อเสียของการใช้ LARS [1] เมื่อเทียบกับการใช้โคตรของพิกัดสำหรับการถดถอยเชิงเส้นแบบ L1 ที่เหมาะสมคืออะไร ฉันสนใจในเรื่องของประสิทธิภาพเป็นหลัก (ปัญหาของฉันมักจะNอยู่ในหลักแสนและp<20) อย่างไรก็ตามข้อมูลเชิงลึกอื่น ๆ ก็จะได้รับการชื่นชมเช่นกัน แก้ไข: เนื่องจากฉันได้โพสต์คำถาม, chl ได้ชี้ให้เห็นกระดาษ [2] โดย Friedman และคณะที่พิกัดโคตรถูกแสดงว่าเร็วกว่าวิธีอื่นมาก หากเป็นกรณีนี้ฉันควรเป็นผู้ประกอบการเพียงแค่ลืมเกี่ยวกับ LARS ในความโปรดปรานของการสืบเชื้อสายมาประสานงาน? [1] Efron, Bradley; Hastie เทรเวอร์; Johnstone, Iain และ Tibshirani, Robert (2004) "การถดถอยมุมน้อยที่สุด" พงศาวดารของสถิติ 32 (2): pp 407–499 [2] Jerome H. Friedman, Trevor Hastie, Rob Tibshirani, "เส้นทางการทำให้เป็นมาตรฐานสำหรับตัวแบบเชิงเส้นทั่วไปผ่านพิกัดโคตร", วารสารซอฟท์แวร์สถิติ, อัตรา …

13 regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

ฉันเคยใช้การจูนโมเดลcaretแต่แล้วก็รันโมเดลอีกครั้งโดยใช้gbmแพ็คเกจ ฉันเข้าใจว่าcaretแพ็กเกจที่ใช้gbmและเอาต์พุตควรเหมือนกัน อย่างไรก็ตามการทดสอบการทำงานอย่างรวดเร็วโดยใช้data(iris)แสดงความแตกต่างในรูปแบบประมาณ 5% โดยใช้ RMSE และ R ^ 2 เป็นตัวชี้วัดการประเมินผล ฉันต้องการค้นหาประสิทธิภาพของแบบจำลองที่ดีที่สุดโดยใช้caretแต่เรียกใช้อีกครั้งgbmเพื่อใช้ประโยชน์จากแผนการพึ่งพาบางส่วน รหัสด้านล่างสำหรับการทำซ้ำ คำถามของฉันจะเป็น: 1) เหตุใดฉันจึงเห็นความแตกต่างระหว่างแพ็คเกจทั้งสองนี้ถึงแม้ว่าพวกเขาจะเหมือนกัน (ฉันเข้าใจว่าพวกมันสุ่ม แต่ 5% ค่อนข้างแตกต่างกันมากโดยเฉพาะอย่างยิ่งเมื่อฉันไม่ได้ใช้ชุดข้อมูลที่ดีirisสำหรับการสร้างแบบจำลองของฉัน) . 2) มีข้อดีหรือข้อเสียในการใช้ทั้งสองแพคเกจหรือไม่ 3) ไม่เกี่ยวข้อง: การใช้irisชุดข้อมูลที่ดีที่สุดinteraction.depthคือ 5 แต่สูงกว่าที่ฉันได้อ่านควรจะใช้สูงสุดfloor(sqrt(ncol(iris)))ซึ่งควรจะเป็น 2 นี่เป็นกฎง่ายๆหรือเข้มงวดหรือไม่? library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

หลังจากรวบรวมข้อเสนอแนะที่มีค่าจากคำถามและการอภิปรายก่อนหน้านี้ฉันได้พบกับคำถามต่อไปนี้: สมมติว่าเป้าหมายคือการตรวจจับความแตกต่างของเอฟเฟ็กต์ทั้งสองกลุ่ม มีสองวิธีในการทำ: ใช้การถดถอยสองแบบแยกกันสำหรับทั้งสองกลุ่มและใช้การทดสอบ Wald เพื่อปฏิเสธ (หรือไม่) สมมติฐานว่าง : b 1 - b 2 = 0โดยที่b 1คือสัมประสิทธิ์ของหนึ่ง IV ในการถดถอยชายและb 2คือ สัมประสิทธิ์ของ IV เดียวกันในการถดถอยหญิงH0H0H_0ข1- ข2= 0b1−b2=0b_1-b_2=0ข1b1b_1ข2b2b_2 รวมกลุ่มทั้งสองเข้าด้วยกันและเรียกใช้โมเดลร่วมโดยรวมเพศจำลองและคำที่ใช้โต้ตอบ (IV * genderdummy) จากนั้นการตรวจจับผลกระทบของกลุ่มจะขึ้นอยู่กับสัญลักษณ์ของการมีปฏิสัมพันธ์และการทดสอบ t เพื่อความสำคัญ เกิดอะไรขึ้นถ้าโฮถูกปฏิเสธในกรณีที่ (1) เช่นความแตกต่างของกลุ่มมีความสำคัญ แต่ค่าสัมประสิทธิ์ของระยะการโต้ตอบในกรณีที่ (2) ไม่มีนัยสำคัญทางสถิตินั่นคือความแตกต่างของกลุ่มนั้นไม่สำคัญ หรือในทางกลับกันโฮจะไม่ปฏิเสธในกรณีที่ (1) และคำที่ใช้ในการโต้ตอบนั้นมีความสำคัญในกรณีที่ (2) ฉันลงเอยด้วยผลลัพธ์นี้หลายครั้งและฉันสงสัยว่าผลลัพธ์จะน่าเชื่อถือมากขึ้นและอะไรคือเหตุผลเบื้องหลังความขัดแย้งนี้ ขอบคุณมาก!

13 statistical-significance  interaction  regression-coefficients 

การวิเคราะห์การถดถอยแบบ Moderated มักใช้ในสังคมศาสตร์เพื่อประเมินปฏิสัมพันธ์ระหว่างผู้ทำนาย / เพื่อนร่วมทุนสองคนขึ้นไป โดยทั่วไปด้วยตัวแปรทำนายสองตัวจะใช้โมเดลต่อไปนี้: Y=β0+β1∗X+β2∗M+β3∗XM+eY=β0+β1∗X+β2∗M+β3∗XM+eY = β_0 + β_1*X + β_2*M + β_3*XM + e ขอให้สังเกตว่าการทดสอบการกลั่นกรองดำเนินการโดยคำว่าผลิตภัณฑ์XMXMXM (การคูณระหว่างตัวแปรอิสระXXXและตัวแปรผู้ควบคุมMMM ) คำถามพื้นฐานมากของฉันคือทำไมเราจริงคำนวณระยะสินค้าระหว่างXXXและMMM ? ทำไมไม่เช่นนั้นความแตกต่างที่แน่นอน|M−X||M−X||M-X|หรือแค่ผลรวมX+MX+MX + M ? ที่น่าสนใจ Kenny กล่าวถึงปัญหานี้ที่นี่http://davidakenny.net/cm/moderation.htmโดยพูดว่า: "ตามที่เห็นการทดสอบการกลั่นจะไม่สามารถใช้งานได้โดยคำศัพท์ผลิตภัณฑ์ XM" แต่ไม่มีคำอธิบายเพิ่มเติมใด ๆ . ภาพประกอบหรือหลักฐานที่เป็นทางการน่าจะเป็นความกระจ่างฉันเดา / หวังว่า

12 regression  interaction 

ฉันมีปัญหาเล็กน้อยกับไวยากรณ์ของ Stata ฉันต้องทำการถดถอยต่อไปนี้: y=ax+bz+c(xz)+ey=ax+bz+c(xz)+ey = ax + bz + c(xz) + e ที่ทั้งและจะ instrumented และระยะปฏิสัมพันธ์ใช้ค่า instrumented ของและZxxxzzzxzxzxzxxxzzz เพียงแค่สร้างค่าที่คาดการณ์สำหรับและและใช้พวกเขาเป็น regressors ทำให้เกิดข้อผิดพลาดมาตรฐานที่ไม่ถูกต้องxxxzzz แก้ไข: ฉันยังต้องทำการถดถอยที่คล้ายกันโดยมีเพียงหนึ่งในตัวแปรที่มีเครื่องมือและมีตัวแปรที่ใช้ในการโต้ตอบนี้

12 stata  interaction  instrumental-variables 

ฉันมีคำถามทั่วไป 2 ข้อขึ้นไป 1) ฉันอยากรู้ว่า SVM จัดการการโต้ตอบของตัวแปรอย่างไรเมื่อสร้างแบบจำลองการทำนาย เช่นถ้าฉันมีคุณสมบัติสองอย่างคือ f1 และ f2 และเป้าหมายนั้นขึ้นอยู่กับ f1, f2 และพูดว่า f1 * f2 (หรือฟังก์ชั่น h (f1, f2)), SVM จะพอดี (ไม่ใช่แค่ OOS แต่ยังอยู่ในข้อมูลการฝึกอบรม) ปรับปรุงเมื่อรวม f1, f2 และ h (f1, f2) ในคุณสมบัติมากกว่าเพียงแค่รวมถึง f1 และ f2? อัลกอริทึม SVM จัดการกับการโต้ตอบกับคุณลักษณะหรือไม่ ดูเหมือนว่าจะเป็นไปตามที่ SVM พยายามสร้างไฮเปอร์เพลนในพื้นที่มิติที่สูงขึ้น แต่ไม่แน่ใจว่าต้องการถามเช่นไร 2) เมื่อทำการติดตั้ง SVM บนข้อมูลการฝึกอบรมให้มีคุณสมบัติเพียงพอและค้นหาพารามิเตอร์ที่เหมาะสม (ผ่านการค้นหาแบบ …

12 machine-learning  predictive-models  svm  interaction 

มีวิธีการที่จะเข้าใจหรือไม่ว่าสองบรรทัดขนานกัน (มากหรือน้อย)? ฉันมีสองบรรทัดที่สร้างขึ้นจากการถดถอยเชิงเส้นและฉันต้องการที่จะเข้าใจว่าพวกมันขนานกันหรือไม่ กล่าวอีกนัยหนึ่งฉันต้องการได้ความแตกต่างของความลาดชันของสองบรรทัดนี้ มีฟังก์ชั่น R เพื่อคำนวณสิ่งนี้หรือไม่? แก้ไข: ... และฉันจะได้ความชัน (เป็นองศา) ของเส้นการถดถอยเชิงเส้นได้อย่างไร

12 r  regression  interaction  linear-model