คำถามติดแท็ก standard-deviation

ฉันกำลังมองหาวิธีในการแปลงชุดข้อมูลของฉันจากค่าเฉลี่ยปัจจุบันและส่วนเบี่ยงเบนมาตรฐานเป็นค่าเฉลี่ยเป้าหมายและส่วนเบี่ยงเบนมาตรฐานเป้าหมาย โดยพื้นฐานแล้วฉันต้องการย่อ / ขยายการกระจายและขยายตัวเลขทั้งหมดให้เท่ากับค่าเฉลี่ย มันไม่ทำงานที่จะทำการแปลงเชิงเส้นแยกกันสองอันอันหนึ่งสำหรับค่าเบี่ยงเบนมาตรฐานแล้วก็อีกอันสำหรับค่าเฉลี่ย ฉันควรใช้วิธีใด วิธีแก้ปัญหาอาจถูกนำไปใช้กับตัวอย่างที่มีจุด 1.02 ในชุดข้อมูลที่มี SD .4 และค่าเฉลี่ย 0.88 ถูกเปลี่ยนเมื่อฉันปรับค่าเฉลี่ยของชุดข้อมูลเป็น 0.5 และ SD เป็น 0.1667 หรือไม่ คุณค่าใหม่ของประเด็นคืออะไร?

15 data-transformation  standard-deviation  mean 

ในการคิดเร็วและช้า Daniel Kahneman วางคำถามสมมุติฐานต่อไปนี้: (หน้า 186) Julie ปัจจุบันเป็นรุ่นพี่ในมหาวิทยาลัยของรัฐ เธออ่านได้คล่องเมื่อเธออายุสี่ขวบ เกรดเฉลี่ย (GPA) ของเธอคืออะไร ความตั้งใจของเขาคือการแสดงให้เห็นว่าเรามักจะล้มเหลวในการบัญชีสำหรับการถดถอยถึงค่าเฉลี่ยเมื่อทำการทำนายเกี่ยวกับสถิติบางอย่าง ในการอภิปรายต่อไปเขาแนะนำ: (หน้า 190) จำได้ว่าความสัมพันธ์ระหว่างสองมาตรการ - ในกรณีการอ่านอายุปัจจุบันและเกรดเฉลี่ย - เท่ากับสัดส่วนของปัจจัยที่ใช้ร่วมกันในปัจจัยของพวกเขา คุณคาดเดาสิ่งที่ดีที่สุดเกี่ยวกับสัดส่วนนั้นได้อย่างไร การคาดเดาในแง่ดีที่สุดของฉันคือประมาณ 30% สมมติว่าประมาณการนี้เรามีทุกอย่างที่เราต้องการในการทำนายอย่างเป็นกลาง นี่คือคำแนะนำสำหรับวิธีการเดินทางในสี่ขั้นตอนง่าย ๆ : เริ่มต้นด้วยการประมาณเกรดเฉลี่ย กำหนดเกรดเฉลี่ยที่ตรงกับการแสดงหลักฐานของคุณ ประมาณค่าสหสัมพันธ์ระหว่างการอ่านค่าความฉลาดสูงกับเกรดเฉลี่ย หากความสัมพันธ์คือ. 30 ให้ย้าย 30% ของระยะทางจากค่าเฉลี่ยไปยังเกรดเฉลี่ยที่ตรงกัน การตีความคำแนะนำของเขาของฉันเป็นดังนี้: ใช้ "เธออ่านได้อย่างคล่องแคล่วเมื่อเธออายุสี่ขวบ" เพื่อสร้างคะแนนมาตรฐานสำหรับความฉลาดเกินอายุการอ่านของจูลี่ กำหนดเกรดเฉลี่ยที่มีคะแนนมาตรฐานที่สอดคล้องกัน (GPA ที่มีเหตุผลในการทำนายจะสอดคล้องกับคะแนนมาตรฐานนี้หากความสัมพันธ์ระหว่าง GPA และความแม่นยำในการอ่านนั้นสมบูรณ์แบบ) ประมาณเปอร์เซ็นต์ของความแปรปรวนใน GPA ที่สามารถอธิบายได้ด้วยความแปรปรวนในการอ่านความแม่นยำ (ฉันคิดว่าเขาหมายถึงสัมประสิทธิ์การตัดสินใจด้วย "สหสัมพันธ์" …

14 standard-deviation  regression-coefficients  regression-to-the-mean 

ฉันค้นหาบนเว็บ แต่ไม่พบสิ่งที่เป็นประโยชน์ โดยทั่วไปฉันกำลังมองหาวิธีการวัดว่ามีการกระจายมูลค่าอย่างเท่าเทียมกันอย่างไร ในขณะที่การกระจายกระจายอย่างเท่าเทียมกันเช่นX : และการแจกแจงการแจกแจงแบบ'ไม่สม่ำเสมอ' Yซึ่งมีค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานเท่ากัน: แต่มีการวัดค่าสมดุลใด ๆ m เช่นนั้น m (X)> m (Y)? หากไม่มีสิ่งใดจะเป็นวิธีที่ดีที่สุดในการสร้างการวัดเช่นนี้ (ภาพสกรีนช็อตจาก Khan Academy)

14 variance  standard-deviation  descriptive-statistics  measurement 

ในบทความฉันพบสูตรสำหรับค่าเบี่ยงเบนมาตรฐานของขนาดตัวอย่างNNN σ=R¯¯¯¯2.534σ=R¯2.534\sigma=\frac{\overline{R}}{2.534} โดยที่R¯¯¯¯R¯\overline{R}คือช่วงเฉลี่ยของตัวอย่างย่อย (ขนาด666 ) จากตัวอย่างหลัก การคำนวณจำนวน2.5342.5342.534เป็นอย่างไร? ตัวเลขนี้ถูกต้องหรือไม่

14 standard-deviation  descriptive-statistics  range 

ฉันอ่านเกี่ยวกับการคำนวณการประมาณค่าเบี่ยงเบนมาตรฐานและแหล่งข้อมูลที่ฉันอ่านระบุไว้ (... ) ยกเว้นในบางสถานการณ์ที่สำคัญงานมีความเกี่ยวข้องเพียงเล็กน้อยกับการใช้งานสถิติเนื่องจากความต้องการของมันถูกหลีกเลี่ยงโดยขั้นตอนมาตรฐานเช่นการใช้การทดสอบที่สำคัญและช่วงความเชื่อมั่นหรือโดยใช้การวิเคราะห์แบบเบย์ ฉันสงสัยว่าถ้าใครสามารถอธิบายเหตุผลของข้อความนี้ได้ตัวอย่างเช่นช่วงความมั่นใจไม่ได้ใช้ค่าเบี่ยงเบนมาตรฐานเป็นส่วนหนึ่งของการคำนวณหรือไม่ ดังนั้นช่วงความเชื่อมั่นจะไม่ได้รับผลกระทบจากค่าเบี่ยงเบนมาตรฐานแบบเอนเอียงหรือไม่? แก้ไข: ขอบคุณสำหรับคำตอบจนถึงตอนนี้ แต่ฉันไม่แน่ใจว่าฉันทำตามเหตุผลบางอย่างของพวกเขาดังนั้นฉันจะเพิ่มตัวอย่างง่าย ๆ ประเด็นก็คือว่าถ้าแหล่งข้อมูลนั้นถูกต้องแล้วก็มีบางอย่างผิดปกติจากการสรุปตัวอย่างและฉันอยากให้ใครสักคนชี้ให้เห็นว่าค่า p ไม่ได้ขึ้นอยู่กับค่าเบี่ยงเบนมาตรฐานอย่างไร สมมติว่านักวิจัยต้องการทดสอบว่าคะแนนเฉลี่ยของนักเรียนระดับประถมห้าในการทดสอบในเมืองของเขาหรือเธอแตกต่างจากค่าเฉลี่ยของชาติที่ 76 ด้วยระดับนัยสำคัญ 0.05 หรือไม่ ผู้วิจัยสุ่มตัวอย่างนักเรียน 20 คน ค่าเฉลี่ยตัวอย่างเท่ากับ 80.85 ค่าเบี่ยงเบนมาตรฐานตัวอย่างเท่ากับ 8.87 ซึ่งหมายความว่า: t = (80.85-76) / (8.87 / sqrt (20)) = 2.44 จากนั้นใช้ตาราง t เพื่อคำนวณว่าค่าความน่าจะเป็นแบบสองด้านที่เท่ากับ 2.44 กับ 19 df เท่ากับ 0.025 นี่ต่ำกว่าระดับนัยสำคัญ 0.05 เราจึงปฏิเสธสมมติฐานว่าง ดังนั้นในตัวอย่างนี้ค่า p …

14 bayesian  statistical-significance  mathematical-statistics  standard-deviation  standard-error 

ทำไมเราพยายามที่จะลดการx^2แทนของการลดหรือ|x|^1.95 |x|^2.05มีเหตุผลว่าทำไมจำนวนควรเป็นสองเท่าหรือเป็นเพียงการประชุมที่มีประโยชน์ในการทำให้คณิตศาสตร์ง่ายขึ้น?

14 standard-deviation  least-squares 

ฉันมีข้อมูล GPS สองชั่วโมงสองชั่วโมงด้วยอัตราการสุ่มตัวอย่าง 1 Hz (การวัด 7200) ข้อมูลจะได้รับในรูปแบบโดยที่คือความไม่แน่นอนในการวัด(X,Xσ,Y,Yσ,Z,Zσ)(X,Xσ,Y,Yσ,Z,Zσ)(X, X_\sigma, Y, Y_\sigma, Z, Z_\sigma)NσNσN_\sigma เมื่อฉันใช้ค่าเฉลี่ยของการวัดทั้งหมด (เช่นค่า Z เฉลี่ยของสองชั่วโมงนั้น) ค่าเบี่ยงเบนมาตรฐานคืออะไร? แน่นอนว่าฉันสามารถคำนวณค่าเบี่ยงเบนมาตรฐานจากค่า Z ได้ แต่จากนั้นฉันก็เพิกเฉยต่อความจริงที่ว่ามีความไม่แน่นอนในการวัดที่รู้จัก ... แก้ไข: ข้อมูลทั้งหมดมาจากสถานีเดียวกันและพิกัดทั้งหมดจะถูกคำนวณใหม่ทุกวินาที เนื่องจากกลุ่มดาวบริวาร ฯลฯ ทุกการวัดมีความไม่แน่นอนที่แตกต่างกัน จุดประสงค์ของการวิเคราะห์ของฉันคือการค้นหาการกระจัดเนื่องจากเหตุการณ์ภายนอก (เช่นแผ่นดินไหว) ฉันต้องการที่จะใช้ค่าเฉลี่ยสำหรับการวัด 7200 (2h) ก่อนเกิดแผ่นดินไหวและค่าเฉลี่ยอีก 2h หลังจากเกิดแผ่นดินไหวจากนั้นคำนวณความแตกต่างที่เกิดขึ้น (เช่นความสูง) ในการระบุค่าเบี่ยงเบนมาตรฐานของความแตกต่างนี้ฉันต้องรู้ค่าเบี่ยงเบนมาตรฐานของทั้งสองค่านี้

13 time-series  mean  standard-deviation 

การกระจายเอนโทรปีสูงสุดสำหรับตัวแปรต่อเนื่องเชิงบวกคืออะไรในช่วงเวลาที่หนึ่งและสอง ตัวอย่างเช่นการแจกแจงแบบเกาส์คือการแจกแจงแบบเอนโทรปีสูงสุดสำหรับตัวแปรที่ไม่ได้ จำกัด เนื่องจากค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานและการแจกแจงแกมมาเป็นการแจกแจงแบบเอนโทรปีสูงสุดสำหรับตัวแปรบวกโดยให้ค่าเฉลี่ยและค่าเฉลี่ยของลอการิทึม

13 distributions  standard-deviation  mean  maximum-entropy 

ฉันต้องการทำความเข้าใจแนวคิดเกี่ยวกับ Root Mean Squared Error (RMSE) และ Mean Bias Deviation (MBD) จากการคำนวณมาตรการเหล่านี้สำหรับการเปรียบเทียบข้อมูลของฉันเองฉันมักจะงงงวยที่จะพบว่า RMSE สูง (เช่น 100 กิโลกรัม) ในขณะที่ MBD ต่ำ (เช่นน้อยกว่า 1%) โดยเฉพาะอย่างยิ่งฉันกำลังมองหาการอ้างอิง (ไม่ใช่ออนไลน์) ที่แสดงรายการและกล่าวถึงคณิตศาสตร์ของมาตรการเหล่านี้ วิธีใดที่ยอมรับกันโดยทั่วไปในการคำนวณการวัดทั้งสองนี้และฉันจะรายงานได้อย่างไรในรายงานบทความวารสาร มันจะมีประโยชน์มากในบริบทของโพสต์นี้ที่จะมีชุดข้อมูล "ของเล่น" ที่สามารถใช้เพื่ออธิบายการคำนวณของทั้งสองมาตรการ ตัวอย่างเช่นสมมติว่าฉันกำลังค้นหามวล (เป็นกิโลกรัม) ของ 200 วิดเจ็ตที่ผลิตโดยสายการประกอบ ฉันยังมีแบบจำลองทางคณิตศาสตร์ที่จะพยายามทำนายมวลของวิดเจ็ตเหล่านี้ โมเดลไม่จำเป็นต้องเป็นแบบประจักษ์พยานและสามารถใช้แบบจำลองได้ ฉันคำนวณ RMSE และ MBD ระหว่างการวัดจริงกับโมเดลโดยพบว่า RMSE คือ 100 กิโลกรัมและ MBD คือ 1% สิ่งนี้หมายความว่าอะไรเกี่ยวกับแนวคิดและฉันจะตีความผลลัพธ์นี้ได้อย่างไร ตอนนี้สมมติว่าฉันพบจากผลลัพธ์ของการทดสอบนี้ว่า …

13 standard-deviation  bias 

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 

ฉันมีการถดถอยหลายตัวแปรซึ่งรวมถึงการโต้ตอบ ตัวอย่างเช่นเพื่อให้ได้ค่าประมาณของผลการรักษาสำหรับควินไทล์ที่แย่ที่สุดฉันจำเป็นต้องเพิ่มค่าสัมประสิทธิ์จาก regressor ของการรักษาไปที่ค่าสัมประสิทธิ์จากตัวแปรปฏิสัมพันธ์ (ซึ่งมีปฏิสัมพันธ์กับการรักษาและควินไทล์ 1) เมื่อเพิ่มสองสัมประสิทธิ์จากการถดถอยหนึ่งจะได้รับข้อผิดพลาดมาตรฐานได้อย่างไร เป็นไปได้หรือไม่ที่จะเพิ่มข้อผิดพลาดมาตรฐานจากสัมประสิทธิ์ทั้งสองนี้? สิ่งที่เกี่ยวกับสถิติ t? เป็นไปได้ที่จะเพิ่มเหล่านี้เช่นกัน? ฉันคาดเดาไม่ได้ แต่ฉันไม่พบคำแนะนำเกี่ยวกับเรื่องนี้ ขอบคุณล่วงหน้ามากสำหรับความช่วยเหลือของคุณ!

13 regression  standard-deviation  standard-error 

สมมติว่าฉันคำนวณความสูง (หน่วยเป็นซม.) และตัวเลขต้องสูงกว่าศูนย์ นี่คือรายการตัวอย่าง: 0.77132064 0.02075195 0.63364823 0.74880388 0.49850701 0.22479665 0.19806286 0.76053071 0.16911084 0.08833981 Mean: 0.41138725956196015 Std: 0.2860541519582141 ในตัวอย่างนี้ตามการแจกแจงปกติ 99.7% ของค่าต้องอยู่ระหว่าง± 3 เท่าของค่าเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย อย่างไรก็ตามค่าเบี่ยงเบนมาตรฐานจะเป็นลบสองเท่า -2 x std calculation = 0.41138725956196015 - 0.2860541519582141 x 2 = -0,160721044354468 อย่างไรก็ตามตัวเลขของฉันต้องเป็นค่าบวก ดังนั้นพวกเขาต้องอยู่เหนือ 0 ฉันสามารถเพิกเฉยกับจำนวนลบได้ แต่ฉันสงสัยว่านี่เป็นวิธีที่ถูกต้องในการคำนวณความน่าจะเป็นโดยใช้ค่าเบี่ยงเบนมาตรฐาน มีใครช่วยให้ฉันเข้าใจถ้าฉันใช้สิ่งนี้ในวิธีที่ถูกต้อง? หรือฉันต้องเลือกวิธีอื่น ความจริงแล้วคณิตศาสตร์เป็นคณิตศาสตร์ มันไม่สำคัญว่าจะเป็นการแจกแจงแบบปกติหรือไม่ หากทำงานกับตัวเลขที่ไม่ได้ลงชื่อก็ควรทำงานกับตัวเลขบวกเช่นกัน! ฉันผิดหรือเปล่า? EDIT1: เพิ่มฮิสโตแกรม เพื่อความชัดเจนยิ่งขึ้นฉันได้เพิ่มฮิสโตแกรมข้อมูลจริงของฉัน …

13 probability  mathematical-statistics  normal-distribution  standard-deviation 

ฉันสับสนโดยคำสั่งต่อไปนี้: "เพื่อเพิ่มค่าเบี่ยงเบนมาตรฐานของชุดตัวเลขคุณต้องเพิ่มค่าที่มากกว่าหนึ่งค่าเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย" อะไรคือสิ่งที่พิสูจน์ว่า? ฉันรู้แน่นอนว่าเรากำหนดค่าเบี่ยงเบนมาตรฐาน แต่ส่วนที่ฉันดูเหมือนจะพลาดอย่างใด มีคำแนะนำอะไรมั้ย?

12 standard-deviation 

สำหรับชุดข้อมูลที่กำหนดการแพร่กระจายมักจะคำนวณเช่นค่าเบี่ยงเบนมาตรฐานหรือเป็น IQR (ช่วงควอไทล์ระหว่าง) ในขณะที่ a standard deviationอยู่ในเกณฑ์ปกติ (คะแนน z, ฯลฯ ) และสามารถนำมาใช้เพื่อเปรียบเทียบการแพร่กระจายจากประชากรสองกลุ่มที่แตกต่างกันนี่ไม่ใช่กรณีที่มี IQR เนื่องจากตัวอย่างจากประชากรสองคนที่แตกต่างกันอาจมีค่าในระดับที่แตกต่างกันสองระดับ e.g. Pop A: 100, 67, 89, 75, 120, ... Pop B: 19, 22, 43, 8, 12, ... สิ่งที่ฉันตามมาคือการวัดที่แข็งแกร่ง (ไม่ใช่พารามิเตอร์) ที่ฉันสามารถใช้เพื่อเปรียบเทียบการเปลี่ยนแปลงภายในประชากรที่แตกต่างกัน ทางเลือกที่ 1: IQR / Median- นี้จะเป็นโดยการเปรียบเทียบกับค่าสัมประสิทธิ์ของการเปลี่ยนแปลงคือการหมู่}σμσμ \frac{\sigma}{\mu} ตัวเลือก 2: Range / IQR คำถาม: มาตรการใดที่มีความหมายมากขึ้นสำหรับการเปรียบเทียบความแปรปรวนระหว่างประชากร? และถ้าเป็นตัวเลือกที่ 1 …

12 nonparametric  mathematical-statistics  standard-deviation  descriptive-statistics  normalization 

หมายเหตุ: คำถามนี้เป็นคำถามใหม่เนื่องจากต้องลบคำถามก่อนหน้านี้ด้วยเหตุผลทางกฎหมาย ในขณะที่เปรียบเทียบ PROC MIXED จาก SAS กับฟังก์ชันlmeจากnlmeแพ็คเกจใน R ฉันพบความแตกต่างที่ค่อนข้างสับสน โดยเฉพาะอย่างยิ่งองศาอิสระในการทดสอบที่แตกต่างกันระหว่างPROC MIXEDและlmeและฉันสงสัยว่าทำไม เริ่มจากชุดข้อมูลต่อไปนี้ (รหัส R ระบุด้านล่าง): ind: ปัจจัยบ่งชี้บุคคลที่จะทำการวัด fac: อวัยวะที่ใช้ทำการวัด trt: ปัจจัยบ่งชี้การรักษา y: ตัวแปรตอบสนองต่อเนื่องบางอย่าง ความคิดคือการสร้างแบบจำลองง่ายๆดังต่อไปนี้: y ~ trt + (ind): indเป็นปัจจัยสุ่ม y ~ trt + (fac(ind)): facซ้อนกันindเป็นปัจจัยสุ่ม โปรดทราบว่ารุ่นสุดท้ายที่ควรทำให้เกิดเอกเป็นมีเพียง 1 ค่าของyสำหรับการรวมกันของทุกและindfac แบบจำลองแรก ใน SAS ฉันสร้างโมเดลต่อไปนี้: PROC MIXED data=Data; CLASS ind fac …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining