首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >问答首页 >多变量约束回归

多变量约束回归
EN

Stack Overflow用户
提问于 2014-05-22 16:47:02
回答 2查看 781关注 0票数 1

我有大约200个虚拟对象,并希望运行约束OLS回归,其中我强制虚拟对象上的所有系数的总和等于1。

一种选择是键入:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
constraint define 1 dummy_1+dummy_2 +...+dummy_200=1

cnsreg y x_1 x_2 dummy_1-dummy_200, c(1)

...but键入约束显然是非常痛苦的。

有没有办法快速定义这么大的约束?矩阵形式将是非常快速和直接的,但在网上和Stata指南中阅读了很多之后,我不清楚如何在矩阵形式中做约束,以及它们是否可能。

EN

回答 2

Stack Overflow用户

发布于 2014-05-22 18:08:17

这至少有两个方面,如何做到这一点,以及它是否会在任何统计意义上发挥作用。

如何做到这一点似乎比你担心的容易,因为困难的部分只是在变量名之间插入"+“符号,这就是字符串操作。就像这样

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
unab myvars : dummy_* 
local myvars : subinstr local myvars " " "+", all
mac li 
constraint 1 `myvars' = 1 

应该可以帮你入门了。macro list是这样的,你可以看到你做了什么,特别是如果它不是你想要的。

它在统计上是否对你有效超出了本论坛的范围,但如果这是唯一的限制,请注意它与各种负系数和正系数是一致的。也许你的问题有一些特殊的特点,这使它成为一个自然的约束,但我的直觉是,这样的模型将很难估计。

票数 1
EN

Stack Overflow用户

发布于 2014-05-23 07:24:18

我会采取一种完全不同的方法。这种约束通常发生在为一组指示符变量尝试不同的编码方案时。如果是这样的话,我会结合margins with the contrast operators使用Stata的factor variables

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/23812805

复制
相关文章
多周期路径的约束
放松时序要求 应用1:clk1和clk2是同频但不同相,其中clk2相对于clk1有正向的相位偏移 set_multicycle_path -from [get_clocks clk1] -to [
瓜大三哥
2018/02/24
1.7K0
多周期路径的约束
多变量线性回归算法
其实所谓的多变量的线性回归(Linear Regression with multiple variables )本质上将与单变量的线性回归没啥差别。因此我们完全可以用上一节中的梯度下降算法来解决,只需要在每一次迭代的时候多考虑几个变量而已。所以这一节就稍微介绍一下了,不再用例子分析。不过毕竟多了一些变量,在对多变量跑梯度下降算法时,显然对参数的调节就更加重要了,因此我们首先得学会一些参数调节的技巧。这些技巧在实际的操作过程中尤为重要。
mythsman
2022/11/14
5110
多变量线性回归算法
python 单变量线性回归
单变量线性回归(Linear Regression with One Variable)¶ In [54]: #初始化工作 import random import numpy as np import matplotlib.pyplot as plt # This is a bit of magic to make matplotlib figures appear inline in the notebook # rather than in a new window. %matplotlib inl
JadePeng
2018/03/12
1.6K0
python 单变量线性回归
【温故知新】应用多元统计分析 第四章 回归变量的选择与逐步回归 多因变量的多元线性回归
4.2回归变量的选择与逐步回归 一、变量选择问题 1、选择“最优”回归子集的方法 1)“最优”子集的变量筛选法 2)计算量很大的全子集法 3)计算量适中的选择法 2、变量选择的几个准则 (1)残差平方
统计学家
2019/04/10
1.8K0
【温故知新】应用多元统计分析 第四章 回归变量的选择与逐步回归  多因变量的多元线性回归
dc约束中的multi scenarios(多场景)
我们在做MCU芯片的时候,经常遇到PAD复用。有一种情况比较特殊:一个PAD在一个场景下用作时钟输入,另一个场景下用作数据的输入。
ExASIC
2022/06/21
1.3K0
dc约束中的multi scenarios(多场景)
Lasso 稀疏约束 + Group Lasso 分组最小角回归算法
1-范数:即向量元素绝对值之和,matlab中可以调用函数norm(x, 1)
大鹅
2021/06/15
3.6K0
Lasso 稀疏约束 + Group Lasso 分组最小角回归算法
MIMOSA: 用于分子优化的多约束分子采样
今天给大家介绍一篇佐治亚理工学院Tianfan Fu等人发表在AAAI 2021上的文章“MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization”。分子优化促进药物发现,其目标是产生新的有效分子,使药物特性最大化,同时保持与输入分子的相似性。现有的生成模型和强化学习方法在同时优化多种药物属性方面仍面临一定困难。为此,本文提出多约束分子采样框架—MIMOSA,使用输入分子作为初始采样框架,并从目标分布中采样分子。MIMOSA首先预先训练两个属性不可知图神经网络(GNN),分别用于分子拓扑和子结构类型预测,其中子结构可以是原子或单环。MIMOSA用GNN进行迭代预测,并且采用三种基本的子结构操作(添加、替换、删除)来生成新的分子和相关的权重。权重可以编码多个约束,包括相似性约束和药物属性约束,在此基础上选择有前途的分子进行下一次预测。MIMOSA能够灵活地对多种属性和相似性约束进行编码,且高效地生成满足各种属性约束的新分子,在成功率方面比最佳基线改进高达49.6%。
DrugAI
2021/02/02
1.1K0
MIMOSA: 用于分子优化的多约束分子采样
python单变量线性回归手动实现
机器学习其实就是在学习模型的参数,最近学习吴恩达老师的机器学习视频,看完线性回归,自己用python手动实现了一下,整理一下写出来,希望可以帮到大家。
用户7886150
2020/12/28
7050
Machine Learning笔记——多变量线性回归
在之前的单变量线性回归问题中,我们是通过房屋的大小来作为预测房屋价格。但是我们知道了很多其他的变量,例如卧室的数量,楼层的数量,房子的年龄等。
阳光罗诺
2018/12/06
9840
Machine Learning笔记——多变量线性回归
Machine Learning笔记——单变量线性回归
在机器学习中,样本一般分成独立的三部分训练集(train set),验证集(validation set)和测试集(test set)。其中,训练集用于建立模型。
阳光罗诺
2018/11/27
5730
Machine Learning笔记——单变量线性回归
回归模型的变量筛选与预测
变量筛选是回归建模过程关键的一步,由于变量间的相关性,必然会导致不同的筛选方法得到不同的模型。
许卉
2019/07/15
2.2K0
回归模型的变量筛选与预测
iOS中Cell约束--使用xib实现多label的自动约束--高度随内容自适应
made in 小蠢驴的配图        说起iOS开发,很多人的印象就是-弄一个tableView,把数据全丢到上面展示,听起来好像很粗糙,不过仔细一想,确实展示数据内容的,用的tableView是最多的了吧,说到这里,今天的男一号-tableViewCell就要登场了。       本文的主题是--tableViewCell的高度自适应,计算cell高度的方法确实有好几种,因为做cell的时候,比较简单的界面我都是直接拉xib,手动连接约束比较省事,所以今天就来探索一波-- 使用xib实现cell高度
小蠢驴打代码
2018/05/24
3.6K0
多元线性回归模型精度提升 -- 虚拟变量
构建多元线性回归模型时,如果能够充分的使用已有变量,或将其改造成另一种形式的可供使用的变量,将在一定程度上提高模型精度及其泛化能力。因为数据集中的名义变量(或叫类别变量)是无法直接使用的,所以虚拟变量(又叫哑元变量)的设置便是非常经典且必须掌握的一步,原理简单,实现优雅,效果拔群。
萝 卜
2022/05/12
1.3K0
多元线性回归模型精度提升 -- 虚拟变量
Machine Learning笔记(二) 单变量线性回归
对于给定的训练集(Training Set),我们希望利用学习算法(Learning Algorithm)找到一条直线,以最大地近似所有的数据,然后通过这条直线所表示的函数(h),来推测新的输入(x)的输出值(y),该模型表示如下:
Gaussic
2018/08/17
4690
Machine Learning笔记(二) 单变量线性回归
第五章 多变量线性回归
n :特征量的数目 x^(i) :第 i 个训练样本的输入特性值 x^(i)_j :第 i 个训练样本中第 j 个特征量的值
tomas家的小拨浪鼓
2019/03/08
8820
第五章 多变量线性回归
Machine Learning笔记(三) 多变量线性回归
这样只有单一特征的数据,往往难以帮助我们准确的预测房价走势。因此,考虑采集多个特征的数据值,往往能提升预测效果。例如,选取如下4个特征作为输入值时的情况:
Gaussic
2018/08/17
6210
Machine Learning笔记(三) 多变量线性回归
第二章 单变量线性回归
a)我们向学习算法提供训练集 b)学习算法的任务是输出一个函数(通常用小写h表示),h代表假设函数 c)假设函数的作用是,把房子的大小作为输入变量(x),而它试着输出相应房子的预测y值 h:是一个引导从x得到y的函数
tomas家的小拨浪鼓
2019/03/08
1K0
第二章 单变量线性回归
单变量线性回归模型与结果解读
统计模型的一般形式是Y=m(X)+e。其中Y为输出变量、响应变量、因变量、被解释变量;m为均值;e为不可控因子,可以理解为噪声。故模型等式右边是用X组成的函数去描述Y的均值,即模型是在平均的意义下去描述自变量与因变量间的关系,所以在解读模型的时候,我不会将模型说死。
许卉
2019/07/15
2.2K0
单变量线性回归模型与结果解读
单因素和多因素cox回归分析
前面我们讲过一个R函数搞定风险评估散点图,热图,其中LASSO模型的输入就是单因素cox分析得到的显著与生存相关的基因。今天我们就来探讨一下如何使用R来做单因素和多因素cox回归分析。
生信交流平台
2022/09/21
3.4K0
单因素和多因素cox回归分析
多表间的关系-一对多-多对多-一对一-外键约束
现实生活中,实体与实体之间肯定是有关系的,比如:老公和老婆,部门和员工,用户和订单、订单和商品、学生和课程等等。那么我们在设计表的时候,就应该体现出表与表之间的这种关系!表和表之间的关系分成三种:
Devops海洋的渔夫
2022/01/17
6.2K0
多表间的关系-一对多-多对多-一对一-外键约束

相似问题

多约束Python中的约束回归

10

以变量为约束的约束回归python

2201

多滞后自变量线性回归

12

R约束下的线性回归&不同数量的回归变量

11

Python中的约束Logistic回归(结果变量)

15
添加站长 进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

扫码加入开发者社群
关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例

扫码关注腾讯云开发者公众号
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文