统计计算
文章平均质量分 83
yujunbeta
这个作者很懒,什么都没留下…
展开
-
R语言与Markov Chain Monte Carlo(MCMC)方法学习笔记(1)
蒙特卡洛方法被誉为20世纪最伟大的十大算法之一。它由美国拉斯阿莫斯国家实验室的三位科学家John von Neumann, Stan Ulam 和 Nick Metropolis于1946年提出。 蒙特卡洛算法之所以那么有名,我的理解就是它利用随机模拟给出了一个十分普遍的求解许多问题近似解的办法。一个十分形象的例子是:在广场上画一个边长一米的正方形,在正方形内部随意用粉笔画一个不规原创 2014-03-16 00:34:29 · 38822 阅读 · 19 评论 -
R语言与抽样技术学习笔记(Randomize)
R语言与抽样技术学习笔记(Randomize,Jackknife,bootstrap)尽管二次抽样、重新抽样或者其他的对给定数据重新排序的方法并不能增加数据的信息,但是这些办法往往有助于我们提取信息。今天我们就来详细的讨论一下抽样技术在数据分析中的作用。主要包括随机化检验、Jackknife、bootstrap三个方面的内容。女士品茶实验与随机化检验首先我们还是来回顾一下fisher爵原创 2014-04-16 21:48:42 · 5069 阅读 · 4 评论 -
R语言与抽样技术学习笔记(Jackknife)
R语言与抽样技术学习笔记(Randomize,Jackknife,bootstrap) 尽管二次抽样、重新抽样或者其他的对给定数据重新排序的方法并不能增加数据的信息,但是这些办法往往有助于我们提取信息。今天我们就来详细的讨论一下抽样技术在数据分析中的作用。主要包括随机化检验、Jackknife、bootstrap三个方面的内容。女士品茶实验与随机化检验 首先我们还是来回顾一下Fis原创 2014-04-19 22:22:19 · 13921 阅读 · 0 评论 -
R语言与抽样技术学习笔记(bootstrap)
R语言与抽样技术学习笔记(Randomize,Jackknife,bootstrap)Bootstrap方法 Bootstrap一词来源于西方神话故事“The adventures of Baron Munchausen”归结出的短语“to pull oneself up by one's bootstrap",意味着不靠外界力量,依靠自身提升性能。 Bootstrap的基原创 2014-04-19 22:43:25 · 75524 阅读 · 6 评论 -
R语言与Markov Chain Monte Carlo(MCMC)方法学习笔记(2)
这里women原创 2014-04-08 21:44:55 · 15276 阅读 · 6 评论 -
R语言与函数估计学习笔记(函数展开)
函数估计说到函数的估计我们可以肯定的一点是我们很难得到原模型的函数,不过我们可以找到一个不坏的函数去逼近它,所以我们的函数估计从函数展开开始说起。函数展开首先不得不提的就是大名鼎鼎的Taylor展开,它告诉我们一个光滑的函数在x=t的一个邻域内有Taylor展式\[ f(x)\approx\sum_{j=0}^{p}\frac{f^{(j)}(t)}{j!}(x-t)^{j}=\sum原创 2014-05-17 11:29:04 · 8976 阅读 · 0 评论 -
R语言与函数估计学习笔记(函数模型的参数估计)
R语言与函数估计学习笔记毫无疑问,函数估计是一个比参数估计要复杂得多的问题,当然也是一个有趣的多的问题。这个问题在模型未知的实验设计的建模中十分的常见,也是我正在学习的内容的一部分。关于函数估计我想至少有这么几个问题是我们关心的:1、我知道函数的一个大概的模型,需要估计函数的参数;2、我不知道它是一个什么模型,但是我想用一个不坏的模型刻画它;3、我不知道它是一个什么模型,我也不太关心它的显原创 2014-05-17 11:20:58 · 24241 阅读 · 4 评论 -
R语言与函数估计学习笔记(样条方法)
样条估计如果函数在不同地方有不同的非线性度,或者有多个极值点,那么用多项式特别是低阶多项式来完成拟合是非常不合适的。一种解决办法是我们之前提到的近邻多项式(或者称局部多项式),另一种就是样条——用分段的低阶多项式逼近函数。关于样条,常用的有两类,一类是多项式样条,另一类是光滑样条。 多项式样条多项式样条的样条基有很多,最为著名的是我们之前在函数逼近中提到的truncated pow原创 2014-05-17 11:32:42 · 33778 阅读 · 7 评论 -
R语言与函数估计学习笔记(核方法与局部多项式)
非参数方法用于函数估计的非参数方法大致上有三种:核方法、局部多项式方法、样条方法。非参的函数估计的优点在于稳健,对模型没有什么特定的假设,只是认为函数光滑,避免了模型选择带来的风险;但是,表达式复杂,难以解释,计算量大是非参的一个很大的毛病。所以说使用非参有风险,选择需谨慎。非参的想法很简单:函数在观测到的点取观测值的概率较大,用x附近的值通过加权平均的办法估计函数\( f(x) \)原创 2014-05-17 11:31:44 · 30303 阅读 · 13 评论