প্রশ্ন ট্যাগ «generalized-linear-model»

লিনিয়ার রিগ্রেশনের একটি সাধারণীকরণ একটি "লিঙ্ক ফাংশন" এর মাধ্যমে অলৈখিক সম্পর্কের জন্য এবং পূর্বাভাসিত মানের উপর নির্ভর করে প্রতিক্রিয়াটির বৈচিত্র্যের জন্য মঞ্জুরি দেয়। ("সাধারণ লিনিয়ার মডেল" এর সাথে বিভ্রান্ত হওয়ার দরকার নেই যা সাধারণ রৈখিক মডেলটিকে সাধারণ সমবায় কাঠামো এবং বহুবিবাহ প্রতিক্রিয়ার ক্ষেত্রে প্রসারিত করে।)

1
একটি টোয়েডি জিএলএমের জন্য প্রৌon় লিঙ্ক ফাংশনটি কী?
আমি শুধু Tweedie বিতরণের চালু করা হয় (দেখুন এই বা এই ) কিন্তু আমি একটি কঠিন সময় খোঁজার কি লিঙ্কটি ম ফাংশনের জন্য একটি Tweedie রৈখিক মডেল সাধারণ হয় হচ্ছে। থটস?
1
সম্পূর্ণ সাফল্য সহ শ্রেণীবদ্ধ ভেরিয়েবলের সাথে দ্বিপদী গ্লিম
আমি দ্বিপদী প্রতিক্রিয়া ভেরিয়েবল এবং একটি স্পষ্টিকর ভবিষ্যদ্বাণী নিয়ে একটি গ্ল্যাম চালাচ্ছি। এলোমেলো প্রভাব ডেটা সংগ্রহের জন্য ব্যবহৃত নেস্টেড ডিজাইন দ্বারা দেওয়া হয়। ডেটা দেখতে এমন দেখাচ্ছে: m.gen1$treatment [1] sucrose control protein control no_injection ..... Levels: no_injection control sucrose protein m.gen1$emergence [1] 1 0 0 1 0 1 1 1 …
3
অবিচ্ছিন্ন ডেটা সহ জিএলএম শূন্যে পাইলড
টিবি, এইডস ইত্যাদির মতো বিপর্যয়কর অসুস্থতাগুলি হাসপাতালে ভর্তির ব্যয়কে কতটা প্রভাবিত করে তা অনুমান করার জন্য আমি একটি মডেল চালানোর চেষ্টা করছি। আমার নির্ভরশীল পরিবর্তনশীল হিসাবে "প্রতি হাসপাতালে ভর্তি ব্যয়" এবং স্বতন্ত্র ভেরিয়েবল হিসাবে বিভিন্ন পৃথক চিহ্নিতকারী রয়েছে যার প্রায় সবগুলিই জেন্ডারের মতো ডামি, পরিবারের অবস্থানের প্রধান, দারিদ্র্যের স্থিতি এবং …
1
জেনারালাইজড লিনিয়ার মডেল (জিএলএম) এর জন্য কি সর্বদা লিঙ্ক ফাংশন উপস্থিত থাকে?
জিএলএম-তে, pdf f Y ( y | θ , τ ) = h ( y , τ ) exp ( θ y - A ( θ ) দিয়ে অন্তর্নিহিত বিতরণের জন্য একটি স্কেলারের এবং θ ধরে নেওয়াওয়াইYYθθ\theta এটি দেখানো যেতে পারে যেμ=E(Y)=A′(θ)। তাহলে লিংক ফাংশনছ(⋅)সন্তুষ্ট নিম্নলিখিত,ছ(μ)=θ=এক্স'βযেখানেএক্স'βরৈখিক predictor হয়, তাহলেগ্রাম(⋅)এই মডেল …
4
লজিস্টিক রিগ্রেশন এবং ইনফ্লেশন পয়েন্ট
আমাদের কাছে বাইনারি ফলাফল এবং কিছু সংখ্যক সমাহারযুক্ত ডেটা রয়েছে। আমি ডেটা মডেল করতে লজিস্টিক রিগ্রেশন ব্যবহার করেছি। কেবল একটি সাধারণ বিশ্লেষণ, অসাধারণ কিছু নয়। চূড়ান্ত আউটপুটটি একটি ডোজ-প্রতিক্রিয়াযুক্ত বক্র বলে মনে করা হয় যেখানে আমরা নির্দিষ্ট কোভারিয়েটের সম্ভাবনা কীভাবে পরিবর্তিত হয় তা দেখায়। এটার মতো কিছু: লজিস্টিক রিগ্রেশন বাছাই …
2
জিন সদৃশ স্তর দ্বারা সমৃদ্ধ বিশ্লেষণ
জৈবিক পটভূমি সময়ের সাথে সাথে কিছু উদ্ভিদ প্রজাতি প্রতিটি জিনের অতিরিক্ত অনুলিপি অর্জন করে তাদের পুরো জিনোমগুলি নকল করে। এই সেটআপটির অস্থিরতার কারণে, এর মধ্যে অনেকগুলি জিনগুলি মুছে ফেলা হয় এবং জিনোম নিজেই পুনর্বিন্যাস হয় এবং স্থির হয়, আবার নকল তৈরির জন্য প্রস্তুত। এই সদৃশ ইভেন্টগুলি স্পেসিফিকেশন এবং আক্রমণের ইভেন্টগুলির …
1
এই ডেটাগুলি দ্বিপদী গ্ল্যামের অনুপাতে একত্রিত করা যেতে পারে?
আমরা 60 জনকে আটলান্টায় যতটা রেস্তোঁরা ফ্র্যাঞ্চাইজি পারে তার তালিকা করতে বলেছিলাম। সামগ্রিক তালিকায় over০ টিরও বেশি রেস্তোরাঁ অন্তর্ভুক্ত ছিল, তবে আমরা সেগুলিকে সরিয়ে দিয়েছিলাম যেগুলি লোকদের 10% এর চেয়ে কম লোক দ্বারা উল্লেখ করা হয়েছিল, আমাদের 45 রেখে এসেছিল these এই 45 টির জন্য আমরা ভোটাধিকারের তালিকাভুক্ত তথ্যপ্রযুক্তির অনুপাতটি …
2
GLM আউটপুটে ছড়িয়ে পড়া প্যারামিটার
আমি আর তে একটি ঝাঁকুনি চালিয়েছি, এবং summary()আউটপুটটির নীচের দিকে , এটি বলেছে (Dispersion parameter for gaussian family taken to be 28.35031) আমি গুগলে কিছুটা রমজিং করেছি এবং শিখেছি যে প্রসারিত পরামিতিটি স্ট্যান্ডার্ড ত্রুটির সাথে মানিয়ে যায়। আমি আশা করছি কেউ ছড়িয়ে যাওয়ার প্যারামিটার কী এবং এর ব্যাখ্যা কীভাবে দেওয়া …
1
আর-তে একটি পয়সন জিএলএম ফিটিং - রেট বনাম গণনাগুলির সাথে ইস্যু
আমি বর্তমানে সময়ের সাথে সাথে কিছু গণনার ডেটা জিএলএম (এবং শেষ পর্যন্ত জিএএমএস) জড়িত একটি প্রকল্পে কাজ করছি। সাধারণত আমি এসএএস-এ এটি করতাম, তবে আমি আর এ যাওয়ার চেষ্টা করছিলাম, এবং ... সমস্যা ছিল। নিম্নলিখিতগুলি ব্যবহার করে ডেটা গণনা করার জন্য আমি যখন কোনও জিএলএম ফিট করি: cdi_model <- glm(counts …
1
বাইনারি ডেটার জন্য আমি আনোভা কীভাবে মানিয়ে নিতে পারি?
আমার কাছে চারটি প্রতিযোগী মডেল রয়েছে যা আমি বাইনারি ফলাফলের পরিবর্তনশীল (যেমন, স্নাতক হওয়ার পরে কর্মসংস্থানের অবস্থা, 1 = নিয়োগকৃত, 0 = নিয়োগ-নয়) ভবিষ্যদ্বাণী করতে ব্যবহার করি n মডেল পারফরম্যান্সের একটি প্রাকৃতিক মেট্রিক হিট রেট যা মডেলগুলির প্রত্যেকটির জন্য সঠিক অনুমানের শতাংশ। আমার কাছে মনে হয় যে আমি এই সেটিংটিতে …
1
আর / এমজিসিভি: টি () এবং টিআই () সেন্সর পণ্যগুলি কেন বিভিন্ন উপরিভাগ তৈরি করে?
mgcvপ্যাকেজের Rঝুলানো টেন্সর পণ্যের পারস্পরিক ক্রিয়ার জন্য দুটি ফাংশন আছে: te()এবং ti()। আমি উভয়ের মধ্যে শ্রমের মৌলিক বিভাজন বুঝতে পারি (একটি অ-রৈখিক ইন্টারঅ্যাকশন বনাম বনাম। এই ইন্টারঅ্যাকশনটিকে প্রধান প্রভাব এবং একটি মিথস্ক্রিয়াতে ডেকপোজ করে)। আমি যা বুঝতে পারি না তা হ'ল কেন te(x1, x2)এবং ti(x1) + ti(x2) + ti(x1, x2)(কিছুটা) …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
আর এর মধ্যে y ~ x + 0 সূত্রটি কী গণনা করে?
আর এর পরিবর্তে formulaসেটটিতে লিনিয়ার রিগ্রেশন করার মধ্যে পরিসংখ্যানগত পার্থক্য কী ? আমি কীভাবে এই দুটি ভিন্ন ফলাফলের ব্যাখ্যা করব?y ~ x + 0y ~ x
1
পরিচয় লিঙ্কের সাথে ওএলএস বনাম পোইসন জিএলএম
আমার প্রশ্নটি পয়সন রিগ্রেশন এবং সাধারণভাবে জিএলএম সম্পর্কে আমার খারাপ ধারণা প্রকাশ করে। আমার প্রশ্নটি তুলে ধরতে এখানে কিছু জাল তথ্য রয়েছে: ### some fake data x=c(1:14) y=c(0, 1, 2, 3, 1, 4, 9, 18, 23, 31, 20, 25, 37, 45) Psuedo-R2 ফিরিয়ে আনতে কিছু কাস্টম ফাংশন: ### functions of …
1
একটি বিরল ইভেন্ট লজিস্টিক রিগ্রেশন জন্য কীভাবে কাটফফ সম্ভাবনা চয়ন করবেন
আমার 1000 টি ধনাত্মক সহ 100,000 পর্যবেক্ষণ (9 ডামি সূচক ভেরিয়েবল) রয়েছে। লজিস্টিক রিগ্রেশন এই ক্ষেত্রে ভাল কাজ করা উচিত তবে কাটফফ সম্ভাব্যতা আমার ধাঁধা দেয়। সাধারণ সাহিত্যে, আমরা 1s এবং 0 এর পূর্বাভাস দেওয়ার জন্য 50% কাটঅফ বেছে নিই। আমার মডেল ~ 1% এর সর্বোচ্চ মূল্য দেয় বলে আমি …
1
সম্ভাবনা অনুপাত টেস্ট এবং ওয়াল্ড পরীক্ষা আর-তে গ্ল্যামের জন্য বিভিন্ন উপসংহার সরবরাহ করে
আমি জেনারালাইজড, লিনিয়ার এবং মিশ্রিত মডেলগুলির একটি উদাহরণ পুনরুত্পাদন করছি । আমার এমডব্লিউই নীচে: Dilution <- c(1/128, 1/64, 1/32, 1/16, 1/8, 1/4, 1/2, 1, 2, 4) NoofPlates <- rep(x=5, times=10) NoPositive <- c(0, 0, 2, 2, 3, 4, 5, 5, 5, 5) Data <- data.frame(Dilution, NoofPlates, NoPositive) fm1 <- glm(formula=NoPositive/NoofPlates~log(Dilution), …
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.