R语言RStan MCMC:NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据
如果你正在进行统计分析:想要加一些先验信息,最终你想要的是预测。
如果你正在进行统计分析:想要加一些先验信息,最终你想要的是预测。
我们研究波动聚集,以及使用单变量 GARCH(1,1) 模型对其进行建模。
配置神经网络很困难,因为没有关于如何去做的好的理论。
Boosting指的是机器学习元算法系列,它将许多 “弱 “分类器的输出合并成一个强大的 “集合”,其中每个弱分类器单独的错误率可能只比随机猜测好一点。
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。
在这篇文章中,我们讨论了基于gensim 包来可视化主题模型 (LDA) 的输出和结果的技术 。
var对象指定了p阶平稳的多变量向量自回归模型(VAR(p))模型的函数形式并存储了参数值。
本文介绍简化模型构建和评估过程。
在今天产品高度同质化的品牌营销阶段,企业与企业之间的竞争集中地体现在对客户的争夺上。
像任何统计建模一样,贝叶斯建模可能需要为你的研究问题设计合适的模型,然后开发该模型,使其符合你的数据假设并运行。
Boosting 是一类集成机器学习算法,涉及结合许多弱学习器的预测。
使用 garch 指定一个单变量GARCH(广义自回归条件异方差)模型。
《世界幸福报告》是可持续发展解决方案网络的年度报告,该报告使用盖洛普世界民意调查的调查结果研究了150多个国家/地区的生活质量。
在这篇文章中,我将集中讨论一个给定一个短数据序列的推断概率的例子。
本文用 R 编程语言极值理论 (EVT) 以确定 10 只股票指数的风险价值(和条件 VaR)。
每个动态现象都可以用一个潜过程(Λ(t))来表征,这个潜过程在连续的时间t中演化。
在这个例子中,我们考虑马尔可夫转换随机波动率模型。
什么是PCR?(PCR = PCA + MLR)
特别是在经济学/计量经济学中,建模者不相信他们的模型能反映现实。
贝叶斯模型提供了变量选择技术,确保变量选择的可靠性。
因子实验在农业中非常普遍,它们通常用于测试实验因素之间相互作用的重要性。
铁和泛酸的极好来源,是澳大利亚、美国和东亚的营养食品资源和农业。100 克鲍鱼可提供超过 20% 的每日推荐摄入量。鲍鱼的经济价值与其年龄呈正相关。因此,准确检测鲍鱼的年龄对于养殖者和消费者确定其价格非常重要。
此示例说明如何使用从传感器获得的数据分析共享单车交通模式, 来预处理带时间戳的数据。数据来自传感器。
此示例说明如何使用逻辑回归模型进行贝叶斯推断。
在量化金融中,我们学习了各种时间序列分析技术以及如何使用它们。
在这篇文章中,我将扩展从数据推断概率的示例,考虑 0 和 1之间的所有(连续)值,而不是考虑一组离散的候选概率。
最近我们被客户要求撰写关于抗哮喘药物茶碱动力学研究的报告。茶碱数据文件报告来自抗哮喘药物茶碱动力学研究。
此示例基于电视节目的在线收视率。我们将从抓取数据开始。
本文的目标是使用各种预测模型预测Google的未来股价,然后分析各种模型。
面板向量自回归(VAR)模型在应用研究中的应用越来越多。
T-distributed Stochastic Neighbor Embedding (T-SNE) 是一种可视化高维数据的工具。
在这个例子中,我们考虑随机波动率模型 SV0 的应用,例如在金融领域。
最近我们被客户要求撰写关于谷歌Google Analytics分析的研究报告。在等距时间段内以一系列点获得的数据通常称为时间序列数据。
作为数据分析的一部分,我们要在有价证券矩阵的操作上做一些工作,只需几行代码。
关联规则学习 在机器学习中用于发现变量之间的有趣关系。
分布滞后非线性模型(DLNM)表示一个建模框架,可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。
时间序列是以固定时间_区间_记录的观察序列。
在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型。
本文描述了训练支持向量回归模型的过程,该模型用于预测基于几个天气变量、一天中的某个小时、以及这一天是周末/假日/在家工作日还是普通工作日的用电量。
递归神经网络被用来分析序列数据。
可以使用环状图形展示基因数据比较。可以添加多种图展信息,如热图、散点图等。
随机波动率(SV)模型是常用于股票价格建模的一系列模型。
在比较性的纵向临床研究中,主要终点往往是发生特定临床事件的时间,如死亡、心衰住院、肿瘤进展等。
进行荟萃分析时,您很可能必须使用通用度量将效果大小计算或转换为效果大小。
决策树是对例子进行分类的一种简单表示。
我们使用R中的igraph包,产生了网络的图形。
最近我们被客户要求撰写关于有限正态混合模型在r软件中的实现的研究报告,用于基于模型的聚类、分类和密度估计。
本文介绍如何根据历史信号/交易制作股票曲线。
由于空气污染对公众健康的不利影响,人们一直非常关注。
在最近的一篇文章中,我们展示了一个LSTM模型,通过假近邻(FNN)损失进行正则化,可以用来重建一个非线性动态系统。
最近,我们使用贝叶斯非参数(BNP)混合模型进行马尔科夫链蒙特卡洛(MCMC)推断。
在我们的数理统计课程中,已经看到了大数定律(这在概率课程中已经被证明),证明
两阶段最小二乘法(2SLS)回归拟合的线性模型是一种常用的工具变量估计方法。
Logistic回归,也称为Logit模型,用于对二元结果变量进行建模。
在经济学中,技术效率是指在既定的投入下产出可增加的能力或在既定的产出下投入可减少的能力。
我们被客户要求使用R库mgcv,用广义加性模型(GAMs)对环境数据进行建模。 WeChat Tencent
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测。
最近我们被客户要求撰写关于线性混合效应模型的研究报告,包括一些图形和统计输出。线性混合效应模型与我们已经知道的线性模型有什么不同?
“随着社会的进步,人们在改善物质生活的同时开始追求精神生活。
简单地说,copulas是具有均匀边际的联合分布函数。
在这篇文章中,我们将回顾三种提高循环神经网络的性能和泛化能力的高级方法。
本文考虑一些ARCH(p)过程,例如ARCH(1)。
降维是在我们处理包含过多特征数据的大型数据集时使用的,提高计算速度,减少模型大小,并以更好的方式将巨大的数据集可视化。这种方法的目的是保留最重要的数据,同时删除大部分的特征数据。
本文以上海市无印良品为例,运用定性分析与定量研究相结合的方法,分析了无印良品宏观和微观空间分布特征、区位分析和选址策略,讨论了无印良品对于城市的影响和意义。
我们可以很容易地用Keras序列模型拟合回归数据并预测测试数据。
环境应激源往往表现出时间上的延迟效应,这就要求使用足够灵活的统计模型来描述暴露-反应关系的时间维度。
永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。
技术干货
最新洞察
This will close in 0 seconds