我不太明白如何在维度为?×2的矩阵中存储值。这就是我在R中取得的进展: 我的回归:?=?0+?1?+?,其中B0= 1和B1 = -1 set.seed(123)
n = 20
nreps=10000
beta_0 = -1
beta_1 = 1
ols = vector(mode="numeric", length=nreps)
##Start MC
for (r in 1:nreps) {
u = rnorm(n, mean = 0, sd = 1)
x = rnorm(n, mean = 1, sd = 2^2)
y = beta_0 + be
我尝试在两个矩阵中的行上使用cor.test,即cer和par。
cerParCorTest <-mapply(function(x,y)cor.test(x,y),cer,par)
然而,mapply适用于列。
这个问题已经在中讨论过了。我尝试了拆分解决方案(如下所示)
cer <- split(cer, row(cer))
par <- split(par, row(par))
这会导致错误(而且速度很慢)
In split.default(x = seq_len(nrow(x)), f = f, drop = drop, ...) :
data length is
我的数据集名为ds_f,它是一个包含NaN值的840x57矩阵。我想用线性回归模型预测一个变量,但当我试图拟合这个模型时,我得到了这样的信息:"SVD没有收敛“:
X = ds_f[ds_f.columns[:-1]]
y = ds_f['target_o_tempm']
model = sm.OLS(y,X) #stackmodel
f = model.fit() #ERROR
因此,我一直在寻找一个答案,将一个掩码应用到一个DataFrame。虽然我考虑创建一个掩码,以“忽略”NaN值,然后将其转换为DataFrame,但我得到了与ds_f相同的DataFrame,
我试图做一个模拟在Stata与1000代表,2个时间段和400个观察。在模拟中,我尝试使用固定效果估计器。有人能帮忙吗?我编写了以下代码:
clear all
global numid = 400
DEFINE PROGRAM THAT SPECIFIES THE DGP
program treatment, rclass
drop _all
*SET NUMBER OF INDIVIDUALS
set obs $numid
*DATA GENERATING PROCESS
generate alpha = rnormal(0,2)
我有三个回归模型:
sm.OLS()random 线性回归:使用ols_regressor =ols_regressor森林:使用rf = RandomForestRegressor()artificial神经网络:使用tensorflow和keras
我想为这三个模型绘制一个预测错误图,我偶然看到了黄砖库,这个库看起来非常简单。
在他们的文件中,他们有两种运用其职能的方式:
# Method 1:
from yellowbrick.regressor import PredictionError
# Instantiate the linear model and visualizer
m
我使用蒙特卡洛“四分圆”方法计算圆周率,程序如下:
from random import random as rd
def estimPi(n_points):
counter = 0
for i in range(n_points):
x,y = rd(),rd()
if x**2 + y**2 < 1:
counter = counter + 1
estimPi = 4*(counter/n_points)
print(f'with {n_points} draws, the esti
我正在处理一个n维矩阵(它被存储为一个一维数组),我希望在它的维度中重新排序,这样领先维度现在是最后一个维度。
例如:如果维数(A)=3x4x5x6,我想将其改为4x5x6x3,这类似于二维矩阵的转置函数。
它可以用Matlab中的置换函数对n维矩阵A实现。
A=permute(A,[2:n 1])
我怎么能用C语言做呢?
我不是要重塑矩阵,而是实际移动元素,以得到下一个维度作为主导维度。
置换可以定义为
B = PERMUTE(A,ORDER) rearranges the dimensions of A so that they
% are in the order speci
我正在学习stan,并且尝试了一个非常简单的模型(bernoulli),如下所示,我期望后验抽样的平均值为0.3,因为先验只是一个均匀分布,但stan实际上给出了一个平均值0.33。这里发生什么事情?
顺便说一句,我尝试了给出0.3的“优化”,这正是我所期望的。
谢谢你的帮忙!
model_code = "
data {
int N;
int y[N];
}
parameters {
real theta;
}
model {
theta ~ uniform(0, 1);
y ~ bernoulli(theta);
}
"
data <- li
我正在尝试对面板数据OLS回归(在R中)的固定效应(个人特定的虚拟变量)的联合显着性进行F检验,但是我还没有找到一种方法来实现大量固定效应。理想情况下,我会使用plm包中的函数,但是我还没有找到任何专门执行此测试的函数。
这是Stata在使用xtreg, fe命令时自动执行的操作。在Stata中,结果如下所示:
------------------------------------------------------------------------------
F test that all u_i=0: F(49, 498) = 12.00 Prob > F = 0.
代码是用PyMC3编写的,但这是一个一般性问题。我想找出哪个矩阵(变量的组合)给我的概率最高。取每个元素的迹线的平均值是没有意义的,因为它们相互依赖。
下面是一个简单的例子;为简单起见,代码使用向量而不是矩阵。目标是找到一个长度为2的向量,其中每个值都在0和1之间,因此总和为1。
import numpy as np
import theano
import theano.tensor as tt
import pymc3 as mc
# define a theano Op for our likelihood function
class LogLike_Matrix(tt.Op):
我用电子和openCV和。
我有一个4d矩阵对象,我想访问这个矩阵的4维元素。at函数不起作用:mat.at(0,0,0,1)等于mat.at(0,0,0,2),它们都等于mat.at(0,0,0,0),我知道这是真正的值。
这是有意义的,因为矩阵文档显示,at函数最多可以得到3个参数int i0, int i1, int i2。
如何访问矩阵中的4d元素?
提前感谢
我无法在python StatsModels中得到线性回归来拟合具有负斜率的数据序列--无论是RLM还是OLS都不适合我。举个非常简单的例子,我预计坡度为-1:
In [706]: ts12 = pandas.TimeSeries(data=[5,4,3,2,1],index=[1,2,3,4,5])
In [707]: ts12_h = sm.RLM(ts12.values, ts12.index, M=sm.robust.norms.HuberT())
In [708]: ts12_fit = ts12_h.fit()
In [710]: ts12_fit.fittedvalues
Out
我正在使用scipy.optimize.minimize和鲍威尔算法优化一个函数。有一个名为maxfev的选项可以设置最大函数求值。然而,它似乎并不总是有效的。算法超过了函数求值限制。代码如下:
def func_eval(x):
import math as math
funcval=0
dimension=len(x)
tmp=0
tmp2=0
for i in range(dimension):
tmp +=x[i]
for i in range(dimension):
tmp2=(tmp-x[i]
我正在做一些纠错,我需要在Java中除以mod 11下的两位数。
现在我知道了,通过使用模数计算器:
9/1 mod 11 = 9
2/10 mod 11 = 9
问题出在让Java计算这一点上。在Java中:
(9 / 1) % 11 = 9 - This is fine
(2 / 10) % 11 = 0 - This is not correct.
我知道Java在技术上不能执行模运算,我的一部分想法是我要么需要以某种方式计算逆数,要么使用数组来存储可能的输出值。