- 博客(14)
- 收藏
- 关注
原创 GAMLSS拟合连续分布练习2-代码及注释
#Gamlss 练习2#a)Load the CD4 data and print the variable namesdata(CD4)names(CD4)#b)Fit the SEP2 model in the course notes, by first fitting a PE model and using its #fitted values as starting values for fitting the SEP2 modelmPE<-gamlss(cd4~pb(age)
2021-08-24 22:27:56
873
原创 GAMLSS拟合连续分布练习1-代码及注释
#GAMLSS练习1#a)Load the abdominal data and print the variable namesdata(abdom)names(abdom)#b)Fit the normal distribution model using pb() to fit P-spline smoothers for the predictors#for mu and sigma with automatic selection of smoothing parametersmNO&
2021-08-24 22:26:54
1434
原创 GAMLSS代码示例
4.2 fitting regression models to continuous distributionsdata(“CD4”)#HIV-1感染者母亲生下的小孩中未感染的小孩数量,age=孩子的年龄plot(cd4~age,data=CD4)#数量足够多,因此我们可以视之为连续的响应变量根据初步观察数据,有三个问题:1 很难直观地看出因变量和自变量之间的关系是否为线性#2 响应变量方差的异质性是如何?3 给定age的前提下,cd4的分布是怎样的?是否服从正态分布?以上问题通常的解决方法:对
2021-08-24 19:31:14
3292
1
原创 线性回归模型及R语言代码
基础理论:线性回归模型是一个简单而有效的模型,曾经在过去的一个世纪中在统计界得到主要的应用。Yi(i=1,…n)是响应随机变量,(x1i,…xpi)是n个实测数据,p是解释变量的数量。€i是残差,是独立分布的随机变量,其平均值为0,方差是一个常数。以上公式可简化为:Y=Xβ+€Y和€是n1的矩阵。X是一个np 矩阵,β是一个p*1的矩阵。线性回归模型的目标是,通过减少响应变量的真实值和预测值的差值来获得模型的参数(截距项和斜率),具体而言,是使得残差的平方和最小。为了能够恰当解释OLS模型的系
2021-08-17 18:51:31
3679
1
原创 Copula理论学习(四)--Frechet-Hoeffding Bounds
任何copula C 都是逐点遵循下界为lower Frechet-Hoeffding Bound W, 上届为upper Frechet-Hoeffding Bound M。W和M的公式分别为:当d=2时,W是一个copula。而当d>=2时,M是一个copula。定理2.2.1 Frechet-Hoeffding Bounds对于任何d维的copula C,令UU(0,1),很容易证明,(U,1-U)W,(U,…, U)~M(U,1-U)的相关性为完全负相关,这种完全的负相关,无法拓
2021-08-05 23:22:18
1257
1
原创 Copula理论学习(三)--copula理论及参数copula函数族
在本书中,相关性的非正式表达与一个copula一致,即一个边缘分布为标准均匀分布的二元随机变量密度函数。(X1,X2)和(Y1,Y2)的copula便是(F1(X1),F2(X2))和(G1(Y1), G2(Y2))的分布函数。(X1,X2)和(Y1,Y2)有相同的相关性可以表述为:(X1,X2)和(Y1,Y2)有相同的copula。在上述的推理中,二元随机变量的边缘分布是已知的,但是在实际中,这样的假设是不合理的,多种类似的转换都会被用到。在上述的推理中,当两个数据集通过转换为标准正态分布的“标准化”
2021-08-02 22:36:03
13297
2
原创 copula理论学习(二)----概率和分位数转换
概率积分变换(probability integral transformation)是进行概率转换的有效方法之一,即将一个具有连续密度函数的随机变量转换为标准均匀分布。引理1.2.1 概率转换假设(X1,X2)和(Y1,Y2)的边际分布均已知,两个数据集均可以转化为服从标准均匀分布的随机变量,从而使得两者的相关性的比较更为合理。令(X1,X2)的边缘分布分别为F1和F2,且F1=F2 均服从N(0,1)(Y1,Y2)的边缘分布分别为G1和G2,且G1=G2, 均服从Exp(1)。则,可以得到F1
2021-08-02 09:06:01
5462
3
原创 Copula理论学习(一)----引例
一个例子有两组两变量的数据集,第一组:(Xi1, Xi2),i ∈(1, …, n),是包含1000个二维随机变量(X1,X2)的实测数据;第二组:(Yi1, Yi2),i ∈(1, …, n),是包含1000个二维随机变量(Y1,Y2)的实测数据。散点图如图1.1所示。现在要比较两组数据集的变量相关性,孰大孰小?首先,计算两者的线性相关系数,分别是0.77和0.56,这似乎表明,X1与X2的相关性要比Y1与Y2的相关性要强。相关系数实际上是剔除了两个变量量纲影响,标准化后的特殊协方差。它只能描述
2021-07-30 16:47:08
1581
原创 相关性分析 -pearson spearman kendall相关系数
相关性分析 -pearson spearman kendall相关系数https://www.cnblogs.com/kemaswill/archive/2012/11/01/2749842.html
2021-03-17 16:32:03
436
原创 Matlab 用最小二乘法进行指数函数拟合
数值分析的三大基础工具拟合:已知点列,从整体上靠近它们插值:已知点列,并且完全经过点列逼近:已知曲线,或者点列,通过逼近使得构造的函数无限靠近它们拟合简介线型拟合/回归非线性拟合/回归Matlab 相应的函数:Polyfit拟合优度表达因变量和所有自变量之间的总体关系曲线拟合(非线性)最小二乘法,通过最小化误差的平方和寻找数据的最佳函数匹配。Matlab代码画出离散点:plot(x,y,‘o’)用一次函数拟合:1)求参数 coefficient=polyfit(x,y,1);
2021-01-15 20:37:03
7200
原创 Mapwingis的安装与使用
如果没有代码基础,又想借助mapwingis工具,可以看本篇通俗的介绍:首先,你的电脑要安装一个Visual Studio,下载mapwingis安装最新版的32位的MapWinGIS,下载路径为:https://github.com/MapWindow/MapWinGIS/releases...
2020-09-16 23:05:15
2983
原创 基于单变量和多变量计算水文频率-基础知识&程序实现
内容一:概率论基础随机变量分布函数举例:某水文站的水位分布函数:设X是一个随机变量,对任意实数x,称F(x)=P(X≤x)为随机变量X的分布函数。水文频率:人们根据水文现象的随机性,用概率来描述未来出现各种大小洪水的可能性。设计时,对给定的概率p(水文上称为频率),选择满足关系式1-1的Xp 作为工程的设计依据。P(X>=Xp)=pp称为设计频率,Xp称为设计值。重现期T=1/P。例如:某河段的洪峰流量超过3000m3/s时的概率为1%,则设计值为3000m3/s, 依据此建造的河段闸坝
2020-09-02 15:51:26
1148
1
原创 水文频率分析常用的几种分布及程序实现
人们根据水文现象的随机性,用概率来描述未来出现各种大小洪水的可能性。设计时,对给定的概率p(水文上称为频率),选择满足关系式1-1的Xp 作为工程的设计依据。P(X>=Xp)=p 重现期T=1/Pp称为设计频率,Xp称为设计值。例如:某河段的洪峰流量超过3000m3/s时的概率为1%,则设计值为3000m3/s, 依据此建造的河段闸坝设计频率为1%,设计标准为100年一遇。水文频率计算的目的:给定设计频率P,求对应设计值Xp...
2020-08-13 16:16:45
1577
原创 关于假设检验
假设检验参数检验:假定数据服从某种分布欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:全新的界面设计 ,将会带来全新的写作体验;在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显
2020-08-11 11:26:10
304
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人