R语言统计基本概念：探索描述性统计与推断统计的奥秘
在数据分析和统计学的广阔领域中，R语言以其强大的数据处理能力和丰富的统计功能，成为了科研人员和数据分析师的首选工具。在R语言的统计应用中，描述性统计与推断统计是两大核心概念，它们为我们提供了理解和分析数据的不同视角。本文将深入探讨R语言中的描述性统计与推断统计的基本概念、应用方法以及它们在数据分析中的重要性。 一、描述性统计：...
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享（下）
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享（上）：https://developer.aliyun.com/article/1498518 第 4 部分：推断 工作满意度与就业状况之间的关系（自营职业者和为他人工作的受...
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享（上）
全文链接：https://tecdat.cn/?p=33514 综合社会调查（GSS）是由国家舆论研究中心开展的一项观察性研究。自 1972 年以来，GSS 一直通过收集当代社会的数据来监测社会学和态度趋势。其目的是解释态度、行为和属性的趋势和常量。从 1972 年到 2004 年，GSS 的目标人群是居住在家庭中的成年人（18 岁以上）（点击文末“阅读原文”获取完整代码数据）...
R语言生态学进化树推断物种分化历史：分类单元数与时间关系、支系图可视化
全文链接：http://tecdat.cn/?p=31434 我们围绕进化树技术进行一些咨询，分析生物类群在时间上的多样性是如何变化的（点击文末“阅读原文”获取完整代码数据）。 我们将用到分类单元数-时间图（Lineages-through-time plot）,该图可以用来描述物种多样化的总体趋势。 数据 ...
【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享-3
【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享-2 https://developer.aliyun.com/article/1489384 变量变换 两个图都显示残差是右偏的。因此，IQ（因为它目前存在于数据集中）不应用作贝叶斯预测模型。但是，对 仅具有正值的偏斜_因_变量使用（自然）对数变换 通常可以解决问题。下面，该模型使用转换后的工资变...
【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享-2
【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享-1 https://developer.aliyun.com/article/1489383 探索数据 与任何新数据集一样，一个好的起点是标准的探索性数据分析。汇总表是简单的第一步。 #...
【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享-1
原文链接：http://tecdat.cn/?p=24141 在这个视频中，我们转向简单线性回归中的贝叶斯推断。 我们将使用一个参照先验分布，它提供了频率主义解决方案和贝叶斯答案之间的联系。 然后在R语言中用贝叶斯线性回归、贝叶斯模型平均 (BMA)来预测工人工资数据 （查看文末了解数据获取方式）。 为了说明这些想法，我们将使用一个例子来预测身体脂肪。 获得准确的体脂测...
R语言有状态依赖强度的非线性、多变量跳跃扩散过程模型似然推断分析股票价格波动
跳跃扩散过程为连续演化过程中的偏差提供了一种建模手段。但是，跳跃扩散过程的微积分使其难以分析非线性模型。本文开发了一种方法，用于逼近具有依赖性或随机强度的多变量跳跃扩散的转移密度。通过推导支配过程时变的方程组，我们能够通过密度因子化来近似转移密度，将跳跃扩散的动态与无跳跃扩散的动态进行对比。在这个框架内，我们开发了一类二次跳跃扩散，我们可以计算出对似然函数的精确近似。随后，我们分析了谷歌股票波动....
R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。 极大似然估计 在参数模型的背景下，标准技术是考虑似然的最大值（或对数似然）。考虑到一些技术性假设，如 ， ...
R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例
示例1：使用MCMC的指数分布采样 任何MCMC方案的目标都是从“目标”分布产生样本。在这种情况下，我们将使用平均值为1的指数分布作为我们的目标分布。所以我们从定义目标密度开始： target = function(x){ if(x<0){ return(0)...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。