statistics-bootstrap

3熱度

1回答

所以基本上我有一個字符串： string_1 = '(((A,B)123,C)456,(D,E)789)135' 含自舉值的進化樹是括號記（不是真正的問題很重要，但如果有人想知道）。此示例樹包含四個與四個引導值（每個左括號後面的數字）的關係。我在列表中列出了以下每個關係： list_1 = [['(A,B)', 321], ['((A,B),C)', 654], ['(D,E)'

0熱度

1回答

R中的子採樣和分位數標準化

我需要進行分析，我們需要將GBM算法應用於一系列自舉複製。另一個缺點是每個重複都需要分位標準化結果。我試圖最終實現的是 1.從開始主數據集2.創建一個包含200個重採樣的3維陣列 3.分位數在每個重採樣內標準化結果變量 4.全部運行GBM樣本現在，我甚至無法進入重採樣步驟。 #generating some data main<-matrix( replicate(52,rnor

2熱度

1回答

迴歸樹分析：產生特定的分裂

我試圖生成使用 rpart（生成樹）和boot（自舉）迴歸樹的特定拆分（S）引導信心「區間」分裂信心 - 詮在this問題/答案。例： data(iris) library(rpart) r1<-rpart(Sepal.Length ~ ., cp = 0.05, data=iris) plot(r1) text(r1) library(boot) trainData <- i

2熱度

1回答

引導中的R數據集

我需要爲R的數據集的數據是在包含兩個矩陣一個列表的形式，並執行自舉具有以下屬性：兩個矩陣是n由m並且只包含正整數（包括0）。 data <- list(a=matrix(,n,m), b=matrix(,n,m)) 許多彈子，說10000被分配到每個矩陣，即，10000在n * m個部分被分割。換句話說，每個矩陣的所有條目的總和是固定的。 > sum(data$a) [1] 10000

0熱度

1回答

如何計算總統候選人獲勝的概率？

我有這樣 const data = { 'Washington' : { ElectoralVotes : 12, RChance: 0 }, 'Oregon': { ElectoralVotes: 7, RChance: 15 }, . . . 'Hawaii' : { ElectoralVotes: 4, RChance : 35 }

0熱度

1回答

來自ttest命令的bootstrap估計的語法

我試圖演示小樣本數據的各種測試的特性。我想證明t檢驗的表現，t檢驗以及bootstrap估計和rankum檢驗。我有興趣使用simulate獲得多組數據的每個測試的p值。但是，我無法使用bootstrap前綴和ttest命令獲得t檢驗估計值。由產生的數據： clear set obs 60 gen level = abs(rnormal(0,1)) gen group = "A" rep

0熱度

1回答

我需要幫助執行與兩個模型引導

我想執行引導，以獲得更好的貝塔估計估計，用simex方法模擬。基本代碼如下。值1和值2應該重複。 library(simex) library(data.table) value1 <- rnorm(24, mean = 1, sd = 0.3) value2 <- rnorm(24,mean = 1.41, sd = 0.5) group1 <- as.data.frame(valu

0熱度

1回答

R：Bootstrap BCa置信區間固定設計迴歸

我有一個固定的設計迴歸問題，我試圖得到bootstrap BCa置信區間，使用R.下面是一個示例（使用lmRob），但這僅用於說明： require(robust) data(stack.dat) stack.rob <- lmRob(Loss ~ ., data = stack.dat) summary(stack.rob) Call: lmRob(formula = Loss ~

0熱度

1回答

2行內表格div之間的圖像 - 不適用於引導程序

我正在研究一些交易遊戲項目網站，這在這裏並不重要。我實際的代碼是： <div class="trade"> <h6><strong>RaiZeN</strong> wants to trade: (5 minutes ago)</h6> <div class="items-holder"> <div class="item-img" style="backg

1熱度

2回答

由分位數迴歸對自助預估執行Anova

因此，我使用R中的quantreg包進行分位數迴歸分析，以測試我的預測因子的效果在我的結果分佈中的變化。 FML <- as.formula(outcome ~ VAR + c1 + c2 + c3) quantiles <- c(0.25, 0.5, 0.75) q.Result <- list() for (i in quantiles){ i.no <- which(qua