R语言GLM广义线性模型：逻辑回归、泊松回归拟合小鼠临床试验数据（剂量和反应）示例和自测题
在拟合 GLM（并检查残差）之后，可以使用 z 检验一一检验估计参数的显着性，即将估计值与其标准误差进行比较。
Category Archives: 数理统计
R语言惩罚逻辑回归、线性判别分析LDA、广义加性模型GAM、多元自适应回归样条MARS、KNN、二次判别分析QDA、决策树、随机森林、支持向量机SVM分类优质劣质葡萄酒十折交叉验证和ROC可视化
数据包含有关葡萄牙“Vinho Verde”葡萄酒的信息。该数据集有1599个观测值和12个变量，分别是固定酸度、挥发性酸度、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、密度、pH值、硫酸盐、酒精和质量。
Python用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据
本文在相对简单的数据集上探索不同的时间序列技术。
Matlab随机波动率SV、GARCH用MCMC马尔可夫链蒙特卡罗方法分析汇率时间序列
波动率是一个重要的概念，在金融和交易中有许多应用。它是期权定价的基础。波动率还可以让您确定资产配置并计算投资组合的风险价值 (VaR)。
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
Python用MCMC马尔科夫链蒙特卡洛、拒绝抽样和Metropolis-Hastings采样算法
WeChat Tencent QQ email print 由Kaizong Ye，Liao Bao撰写 在我
R语言用隐马尔可夫Profile HMM模型进行生物序列分析和模拟可视化
本文开发和应用用于生物序列分析的隐马尔可夫模型和HMM。
Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测
此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。
R语言和Python对copula模型Gaussian、t、Clayton 和Gumbel族可视化理论概念和文献计量使用情况
本文包含一些直观的示例来说明 copula 理论的核心概念。
R语言coda贝叶斯MCMC Metropolis-Hastings采样链分析和收敛诊断可视化
实现一个简单的 Metropolis-Hastings MCMC 从该模型的后验分布中采样。
Python 用几何布朗运动模型和蒙特卡罗Monte Carlo随机过程模拟股票价格可视化分析耐克NKE股价时间序列数据
金融资产/证券已使用多种技术进行建模。
Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化
时序数据的聚类方法
Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型
使用 ML 进行提升建模和因果推理。
Python在Scikit-Learn可视化随机森林中的决策树分析房价数据
随机森林是决策树的集合。在这篇文章中，我将向您展示如何从随机森林中可视化决策树。
Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测
该数据由Hopkins 大学根据世界各国提供的新病例数据提供。
Python用Apriori算法关联规则分析亚马逊购买书籍关联推荐客户和网络图可视化
Apriori 算法是一个相当新的算法，由 Agrawal 和 Srikant 于 1994 年提出。
数据视角可视化分析豆瓣电影评分爬虫数据
豆瓣已经成为国内影迷和影评人的聚集地。
Python条件生存森林模型Conditional Survival Forest分类预测客户流失交叉验证可视化
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
R语言逻辑回归Logisitc逐步回归训练与验证样本估计分析心脏病数据参数可视化
在进行交叉验证之前，很自然地说“我会预烧 50%（比如说）我的数据来训练一个模型，然后用剩下的来拟合模型”。
R语言零膨胀泊松回归ZERO-INFLATED POISSON（ZIP）模型分析露营钓鱼数据实例估计IRR和OR
零膨胀泊松回归用于对超过零计数的计数数据进行建模。
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险。
R语言决策树和随机森林分类电信公司用户流失churn数据和参数调优、ROC曲线可视化
在本教程中，我们将学习覆盖决策树和随机森林。这些是可用于分类或回归的监督学习算法。
R语言隐马尔可夫模型HMM连续序列重要性重抽样CSIR估计随机波动率模型SV分析股票收益率时间序列
在本笔记本中，我们向读者介绍了基本的随机波动率模型，并通过连续顺序重要性重采样讨论了它们的估计。我们使用收益率数据集来讨论 CSIR 在随机波动率模型估计中的实现和性能。
R语言用主成分分析（PCA）PCR回归进行预测汽车购买信息可视化
在这个项目中，我讨论了如何使用主成分分析 (PCA) 进行简单的预测。
R语言生存分析模型因果分析：非参数估计、IP加权风险模型、结构嵌套加速失效(AFT)模型分析流行病学随访研究数据
理解世界，我们可以从相关性的角度去描述，统计，机器学习，很多问题都是从相关的角度去描述的。
Matlab最小二乘法：线性最小二乘、加权线性最小二乘、稳健最小二乘、非线性最小二乘与剔除异常值效果比较
matlab软件在拟合数据时使用最小二乘法。
R语言贝叶斯Metropolis-Hastings Gibbs 吉布斯采样器估计变点指数分布分析泊松过程车站等待时间
指数分布是泊松过程中事件之间时间的概率分布，因此它用于预测到下一个事件的等待时间。
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
该项目包括：自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
Python用Keras的LSTM神经网络进行时间序列预测天然气价格例
一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题
关联规则Apriori挖掘豆瓣读书评论爬虫采集数据与可视化
主题将紧紧围绕以下几点：有哪些书籍值得推荐？一般书籍的价格是多少？一本书的评分和评论数量之间是否存在某种关系？
R语言近似贝叶斯计算MCMC（ABC-MCMC）轨迹图和边缘图可视化
WeChat Tencent QQ email print 由Kaizong Ye，Weilong Zhang
R语言马尔可夫MCMC中的Metropolis Hastings，MH算法抽样（采样）法可视化实例
Metropolis Hastings 算法是一种非常简单的算法，用于从难以采样的分布中生成样本。
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
R语言广义线性模型GLM：线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
线性模型是统计学的基础，但它的意义远不止用尺子在几个点上画一条线。
R语言极值理论：希尔HILL统计量尾部指数参数估计可视化
极值理论对样本尾部分布的极值指数的估计方法主要有两类：半参数方法和全 参数方法，前者主要是基于分布尾部的 Hill 估计量，后者则主要基于广义帕累托分布。
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
Box 等人的开创性工作(1994) 在自回归移动平均模型领域的相关工作为波动率建模领域的相关工作铺平了道路，分别由 Engle (1982) 和 Bollerslev (1986) 引入了 ARCH 和 GARCH 模型。
python TensorFlow 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估
本文演示了如何训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。
Python银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机svm分析营销活动数据
该数据与银行机构的直接营销活动相关，营销活动基于电话。
【视频讲解】R语言结构方程模型SEM分析心理学和营销研究数据路径图可视化
结构方程建模 (SEM) 是一种全面而灵活的方法，包括在假设模型中研究变量之间的关系。
Python信贷风控模型：梯度提升Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测金融信贷违约支付和模型优化
在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？
SAS用梯度提升回归树(GBDT)迁移学习预测抵押贷款拖欠风险和垃圾电子邮件数据
GBDT梯度提升模型由多个决策树组成。
R语言弹性网络Elastic Net正则化惩罚回归模型交叉验证可视化
弹性网络正则化同时应用 L1 范数和 L2 范数正则化来惩罚回归模型中的系数。
R语言多变量（多元）多项式曲线回归线性模型分析母亲吸烟对新生婴儿体重影响可视化
本文使用的数据集记录了 1236 名新生婴儿的体重，以及他们母亲的其他协变量。
回归树模型分析纪录片播放量影响因素
纪录片能够真实、详尽地反映一个地区的风貌，展示经济发展和社会进步。
R语言马尔可夫链（Markov Chain, MC）模拟赌徒破产模型Gambler’s Ruin Problem可视化
WeChat Tencent QQ email print 由Kaizong Ye，Weilong Zhang
R语言、SAS潜类别（分类）轨迹模型LCTM分析体重指数 (BMI)数据可视化
潜类别轨迹建模 (LCTM) 是流行病学中一种相对较新的方法，用于描述生命过程中的暴露，它将异质人群简化为同质模式或类别。
R语言IRT理论：扩展Rasch模型等级量表模型lltm、 rsm 和 pcm模型分析心理和教育测验数据可视化
我们首先介绍扩展 Rasch 模型的方法论，然后是一般程序描述和应用主题,包括简单的 Rasch 模型、评级量表模型、部分信用模型及其线性扩展。
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
当您处理金融时间序列时，我们通常可以获得相对高频的观察结果。
Python进行多输出（多因变量）回归：集成学习梯度提升决策树GRADIENT BOOSTING REGRESSOR,GBR回归训练和预测可视化
在之前的文章中，我们研究了许多使用 多输出回归分析的方法。
R语言两层2^k析因试验设计（因子设计）分析工厂产量数据和Lenth方法检验显著性可视化
假设调查人员有兴趣检查减肥干预方法的三个组成部分。 WeChat Tencent QQ email print
R语言Bootstrap(自举法，自抽样法)估计回归置信区间分析股票收益
. 您想知道它是否与（例如）零显着不同。一般来说，人们会查看他们选择的软件报告的统计数据或 p.value。问题是，这个 p.value 计算依赖于因变量的分布。如果没有不同的说明，您的软件假定为正态分布，那是怎么回事？
R语言用回归构建配对交易策略量化模型分析股票收益和价格
对于那些不熟悉“配对交易”概念的人来说几句话。
R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列
本文描述了一个模型，该模型解释了交易的聚集到达，并展示了如何将其应用于比特币交易数据。
R语言指数加权模型EWMA预测股市多变量波动率时间序列
从广义上讲，复杂的模型可以实现很高的预测准确性。
R语言Copula模型分析股票市场板块相关性结构
这篇文章是关于 copulas 和重尾的。
R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化
最近我们被客户要求撰写关于股票收益率时间序列的研究报告，包括一些图形和统计输出。在本文中，我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。
R语言向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列
VARs的结构也允许联合检验多个方程的限制。
Python用Markowitz有效边界构建最优投资组合可视化分析四只股票
在这篇文章中，我想介绍 现代 投 资组合理论 (MPT)_、 _有效边界 以及它对投资组合构建的一些影响。
MATLAB用Lasso回归拟合高维数据和交叉验证
我们围绕Lasso技术进行一些咨询，帮助客户解决独特的业务问题。使用各种方法从指数分布生成 200 个五维数据 X 样本。
R语言多变量广义正交GARCH（GO-GARCH）模型对股市高维波动率时间序列拟合预测
在多变量波动率预测中，我们有时会看到对少数主成分驱动的协方差矩阵建模，而不是完整的股票。
R语言样条曲线分段线性回归模型piecewise regression估计个股beta值分析收益率数据
一只 股票的_beta_值通常意味着它与市场的关系，当市场变动 1%时，我们期望股票会发生多少百分比的变动。
R语言用收缩估计Shrinkage股票beta系数回归分析Microsoft收益率风险
配对交易提出的问题之一是股票的贝塔值相对于市场的不稳定估计。
Python多项式Logistic逻辑回归进行多类别分类和交叉验证准确度箱线图可视化
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验
在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。
R语言数量生态学冗余分析RDA分析植物多样性物种数据结果可视化
冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多因变量（multiresponse）回归分析的拓展。
R语言分位数自回归QAR分析痛苦指数：失业率与通货膨胀率时间序列
“分位数自回归”，它是对时间序列域的重要扩展。
R语言用有限混合模型(FMM,finite mixture model)创建衰退指标对股市SPY、ETF收益聚类和双坐标图可视化
从广义上讲，我们可以将金融市场状况分为两类：牛市和熊市。
