คำถามติดแท็ก terminology

มันเกิดขึ้นกับฉันว่าในขณะที่ฉันได้รวบรวมแนวคิดบางอย่างในช่วงหลายปีที่ผ่านมาเกี่ยวกับความแตกต่างระหว่างสถิติและชีวสถิติฉันไม่เคยได้ยินคำอธิบายที่เป็นทางการ อะไรคือความแตกต่างระหว่างทั้งสองสาขา (ปัจจุบัน)? และทำไมความแตกต่างนี้เริ่มต้นตั้งแต่แรก? แก้ไข: ฉันไม่ได้เฉพาะเจาะจงเพียงพอในคำถามเดิมของฉัน ฉันเข้าใจว่าชีวสถิติเป็นแอปพลิเคชั่นและการพัฒนาของสถิติในสาขาชีวการแพทย์ แต่อะไรคือตัวอย่างที่เฉพาะเจาะจงของความแตกต่าง? ตัวอย่างเช่นอะไรคือความแตกต่างของการศึกษาระดับบัณฑิตศึกษาในสองสาขา อะไรคือจุดประสงค์ของการมีแผนกวิชาการที่แตกต่างกันสำหรับสองสาขาวิชา (ความแตกต่างที่ฉันเห็นในสาขาอื่น)

17 terminology  biostatistics 

เมื่อพูดถึงข้อมูลระยะยาวเราอาจอ้างถึงข้อมูลที่รวบรวมจากหน่วยงาน / การศึกษาเดียวกันซ้ำ ๆ ซ้ำ ๆ กันดังนั้นจึงมีความสัมพันธ์สำหรับการสังเกตในเรื่องเดียวกันคือความคล้ายคลึงกันภายในเรื่อง เมื่อพูดถึงข้อมูลอนุกรมเวลาเรายังอ้างถึงข้อมูลที่รวบรวมในช่วงเวลาหนึ่งและดูเหมือนว่าจะคล้ายกับการตั้งค่าตามยาวที่กล่าวถึงข้างต้น ฉันสงสัยว่าถ้าใครบางคนสามารถให้คำอธิบายที่ชัดเจนระหว่างสองคำนี้ความสัมพันธ์และความแตกต่างคืออะไร?

17 time-series  terminology  panel-data 

ดูเหมือนว่าคำจำกัดความของการเรียนรู้แบบมีผู้เรียนเป็นส่วนหนึ่งของการเรียนรู้การเสริมแรงโดยมีฟังก์ชั่นการให้รางวัลประเภทหนึ่งซึ่งอยู่บนพื้นฐานของข้อมูลที่ติดฉลาก (ตรงข้ามกับข้อมูลอื่น ๆ ในสภาพแวดล้อม) นี่เป็นภาพที่ถูกต้องหรือไม่?

16 machine-learning  terminology  reinforcement-learning  supervised-learning  definition 

ตัวแบบโมฆะในการถดถอยคืออะไรและความสัมพันธ์ระหว่างตัวแบบโมฆะกับสมมติฐานว่างคืออะไร? เพื่อความเข้าใจของฉันมันหมายถึงอะไร ใช้ "ค่าเฉลี่ยของตัวแปรตอบสนอง" เพื่อทำนายตัวแปรตอบสนองต่อเนื่องหรือไม่ ใช้ "การกระจายฉลาก" ในการทำนายตัวแปรการตอบสนองแบบแยก? หากเป็นกรณีนี้ดูเหมือนว่าจะไม่มีการเชื่อมต่อระหว่างสมมติฐานว่าง

16 regression  hypothesis-testing  classification  terminology  model 

ในวรรณคดีโครงข่ายประสาทเรามักจะพบคำว่า "เทนเซอร์" มันแตกต่างจากเวกเตอร์หรือไม่? และจากเมทริกซ์? คุณมีตัวอย่างเฉพาะที่ทำให้คำจำกัดความชัดเจนหรือไม่? ฉันสับสนเล็กน้อยเกี่ยวกับคำจำกัดความของมัน Wikipedia ไม่ได้ช่วยอะไรและบางครั้งฉันก็รู้สึกว่าคำจำกัดความของมันขึ้นอยู่กับสภาพแวดล้อมการเรียนรู้ของเครื่องเฉพาะที่ใช้ (TensorFlow, Caffee, Theano)

16 neural-networks  terminology  definition  tensor 

ฉันมีคำถามที่เรียบง่ายและอาจเห็นได้ชัดว่าทำไมค่าเบี่ยงเบนมาตรฐานจึงเรียกว่า " มาตรฐาน " เป็นเพราะมันเป็นมาตรฐานการเปรียบเทียบชุดข้อมูลและผลลัพธ์ที่เกี่ยวกับการกระจายตัวของพวกเขา? การค้นหาใน Exchange Exchange ไม่ได้ทำให้เกิดคำถามนี้ขึ้นและการค้นหาโดย Google ในนิรุกติศาสตร์ของคำนั้นให้คุณค่าอย่างมาก

16 standard-deviation  terminology  history  etymology 

ในการถดถอยสมการกำลังสองน้อยที่สุด (PLSR) หรือการสร้างแบบจำลองสมการเชิงโครงสร้างบางส่วน (PLS-SEM) คำว่า "บางส่วน" หมายถึงอะไร

16 multiple-regression  least-squares  terminology  sem  partial-least-squares 

ผมมือใหม่สถิติและพบนี้ ในสถิติθตัวอักษรกรีกตัวพิมพ์เล็ก 'theta' เป็นชื่อปกติสำหรับพารามิเตอร์ (vector of) (s) ของการแจกแจงความน่าจะเป็นทั่วไป ปัญหาที่พบบ่อยคือการหาค่าของ theta โปรดสังเกตว่าไม่มีความหมายใด ๆ ในการตั้งชื่อพารามิเตอร์ด้วยวิธีนี้ เราอาจจะเรียกมันว่าอะไรก็ได้ ในความเป็นจริงการแจกแจงจำนวนมากมีพารามิเตอร์ที่มักจะได้รับชื่ออื่น ตัวอย่างเช่นการใช้งานทั่วไปเพื่อตั้งชื่อค่าเฉลี่ยและส่วนเบี่ยงเบนของการแจกแจงปกติμ (อ่าน: 'mu') และการเบี่ยงเบนσ ('sigma') ตามลำดับ แต่ฉันก็ยังไม่รู้ว่ามันแปลว่าอะไรในภาษาอังกฤษธรรมดา?

16 terminology 

ฉันคิดว่า 'การรวมข้อมูล' หมายถึงเพียงการรวมข้อมูลที่เคยแบ่งออกเป็นหมวดหมู่ ... โดยพื้นฐานแล้วไม่สนใจหมวดหมู่และทำให้ชุดข้อมูล 'สระว่ายน้ำ' ขนาดยักษ์หนึ่งชุด ฉันเดาว่านี่เป็นคำถามเกี่ยวกับคำศัพท์มากกว่าการใช้สถิติ ตัวอย่างเช่นฉันต้องการเปรียบเทียบไซต์ 2 แห่งและในแต่ละไซต์ฉันมีไซต์สองปี (ดีและแย่) หากฉันต้องการเปรียบเทียบ 'โดยรวม' ทั้งสองไซต์ (นั่นคือไม่สนใจประเภทปี) ถูกต้องหรือไม่ที่จะบอกว่าฉันรวมข้อมูลภายในแต่ละไซต์ นอกจากนั้นเนื่องจากข้อมูลหลายปีประกอบด้วยประเภทปีที่ดีและไม่ดีถูกต้องหรือไม่ที่จะบอกว่าฉันรวบรวมข้อมูลระหว่างปีเพื่อให้ได้ชุดข้อมูล 'ปีที่ดี' และ 'ปีที่ไม่ดี' ภายในแต่ละไซต์ ขอบคุณสำหรับความช่วยเหลือของคุณ! Mog

16 terminology 

ใครช่วยบอกฉันได้ว่าคำว่า 'วิริยะ' หมายถึงอะไรในการวิเคราะห์อนุกรมเวลา มันเกี่ยวกับเศรษฐมิติและการถดถอยเชิงประยุกต์

16 regression  time-series  econometrics  terminology 

ความแตกต่างระหว่างเชนมาร์คอฟและกระบวนการมาร์คอฟคืออะไร? ฉันกำลังอ่านข้อมูลที่ขัดแย้งกัน: บางครั้งคำจำกัดความขึ้นอยู่กับว่าพื้นที่ของรัฐนั้นไม่ต่อเนื่องหรือต่อเนื่องและบางครั้งก็ขึ้นอยู่กับว่าเวลานั้นไม่ต่อเนื่องหรือไม่ สไลด์ 20 ของเอกสารนี้ : กระบวนการมาร์คอฟเรียกว่าห่วงโซ่มาร์คอฟหากพื้นที่รัฐไม่ต่อเนื่องนั่นคือพื้นที่ จำกัด หรือนับไม่ได้คือไม่ต่อเนื่องกล่าวคือ จำกัด หรือนับได้ http://www.win.tue.nl/~iadan/que/h3.pdf : กระบวนการมาร์คอฟเป็นห่วงโซ่มาร์คอฟรุ่นต่อเนื่อง หรือสามารถใช้กระบวนการลูกโซ่มาร์คอฟและมาร์คอฟแบบพ้องกันโดยกำหนดว่าพารามิเตอร์เวลานั้นต่อเนื่องหรือไม่ต่อเนื่องรวมทั้งพื้นที่รัฐนั้นต่อเนื่องหรือไม่ต่อเนื่อง ปรับปรุง 2017-03-04: คำถามเดียวกันถูกถามในhttps://www.quora.com/Can-I-use-the-words-Markov-process-and-Markov-chain-interchangeably

16 terminology  stochastic-processes  markov-process 

มีคำอธิบายที่เข้าใจง่ายสำหรับคำศัพท์นี้หรือไม่? ทำไมจึงเป็นเช่นนี้และไม่ใช่ผู้ทำนายที่ได้ผลลัพธ์ ฉันหวังว่าคำอธิบายที่เหมาะสมว่าทำไมศัพท์นี้จึงช่วยให้นักเรียนจดจำได้และหยุดพวกเขาไม่ให้พูดผิดวิธี

16 regression  terminology  teaching 

ฉันกำลังวิเคราะห์ชุดข้อมูลโดยใช้โมเดลเอฟเฟกต์ผสมกับเอฟเฟ็กต์คงที่หนึ่งรายการ (เงื่อนไข) และเอฟเฟกต์แบบสุ่มสองรายการ (ผู้เข้าร่วมเนื่องจากการออกแบบภายในและคู่ของเรื่อง) รูปแบบที่ถูกสร้างขึ้นด้วยแพคเกจ:lme4exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp) ต่อไปฉันทำการทดสอบอัตราส่วนความน่าจะเป็นของโมเดลนี้เทียบกับโมเดลโดยไม่มีผลกระทบคงที่ (เงื่อนไข) และมีความแตกต่างอย่างมีนัยสำคัญ ชุดข้อมูลของฉันมี 3 เงื่อนไขดังนั้นฉันจึงต้องการเปรียบเทียบหลายรายการ แต่ฉันไม่แน่ใจว่าจะใช้วิธีใด ฉันพบคำถามที่คล้ายกันจำนวนหนึ่งใน CrossValidated และฟอรัมอื่น ๆ แต่ฉันยังสับสนอยู่ จากสิ่งที่ฉันเห็นผู้คนแนะนำให้ใช้ 1.lsmeansแพคเกจ - lsmeans(exp.model,pairwise~condition)ซึ่งทำให้ผมส่งออกต่อไปนี้: condition lsmean SE df lower.CL upper.CL Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089 Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443 Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552 Confidence level used: 0.95 $contrasts …

16 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

Marginal โดยทั่วไปหมายถึงสิ่งที่มีผลขนาดเล็กบางสิ่งที่อยู่นอกระบบที่ใหญ่กว่า มันมีแนวโน้มที่จะลดความสำคัญของสิ่งที่ถูกอธิบายว่าเป็น "ส่วนเพิ่ม" ดังนั้นวิธีที่ใช้กับความน่าจะเป็นของชุดย่อยของตัวแปรสุ่มได้อย่างไร สมมติว่าคำต่าง ๆ ถูกนำมาใช้เพราะความหมายของพวกเขาอาจเป็นข้อเสนอที่มีความเสี่ยงในวิชาคณิตศาสตร์ดังนั้นฉันรู้ว่าไม่จำเป็นต้องมีคำตอบที่นี่ แต่บางครั้งคำตอบของคำถามประเภทนี้สามารถช่วยให้คุณเข้าใจได้อย่างแท้จริง ฉันถาม

15 probability  terminology 

พิจารณาการเดินสุ่ม 1 มิติบนจำนวนเต็มZZ\mathbb{Z}ด้วยสถานะเริ่มต้นx∈Zx∈Zx\in\mathbb{Z} : Sn=x+∑i=1nξiSn=x+∑i=1nξi\begin{equation} S_n=x+\sum^n_{i=1}\xi_i \end{equation} ที่เพิ่มขึ้นทีละมี IID ดังกล่าวว่า{2}ξiξi\xi_iP{ξi=1}=P{ξi=−1}=12P{ξi=1}=P{ξi=−1}=12P\{\xi_i=1\}=P\{\xi_i=-1\}=\frac{1}{2} หนึ่งสามารถพิสูจน์ได้ว่า (1) Px{Sn reaches +1 eventually}=1Px{Sn reaches +1 eventually}=1\begin{equation} P^x{\{S_n \text{ reaches +1 eventually}\}} = 1 \end{equation} โดยตัวห้อยหมายถึงตำแหน่งเริ่มต้น Letเป็นครั้งแรกที่ทางรัฐ+1ในคำอื่น ๆ\} หนึ่งสามารถพิสูจน์ได้ว่า (2)ττ\tau+1+1+1τ:=τ(1):=min{n≥0:Sn=1}τ:=τ(1):=min{n≥0:Sn=1}\tau:=\tau(1):=\min\{n\geq0:S_n=1\} Eτ=+∞Eτ=+∞\begin{equation} E\tau = +\infty \end{equation} พิสูจน์ทั้งสองสามารถพบได้ในhttp://galton.uchicago.edu/~lalley/Courses/312/RW.pdf ผ่านการอ่านบทความฉันจะเข้าใจทั้งสองพิสูจน์ อย่างไรก็ตามคำถามของฉันคือสิ่งที่ความหมายของ "ในที่สุด" ในคำสั่งแรกเช่นเดียวกับโดยทั่วไป หากสิ่งที่เกิดขึ้น "ในที่สุด" มันไม่จำเป็นต้องเกิดขึ้นในเวลา จำกัด มันได้หรือไม่ ถ้าเป็นเช่นนั้นอะไรคือความแตกต่างระหว่างสิ่งที่ไม่เกิดขึ้นกับสิ่งที่ไม่เกิดขึ้น "ในที่สุด"? ข้อความบางข้อ …

15 probability  terminology  stochastic-processes  randomness  random-walk