그래도 ... 머리에 단락을 만들 수 있습니다. Yusuf 곡률의 적응은 경사 세그먼트(거의 직선 세그먼트, 볼록도가 미미함)를 따라 수행되며 궁극적으로 수평 이동이 예측됩니다. 그것에 대해 생각! 이 기술은 두 번째로 적용할 수 없으며 한 번만 적용되는 것으로 나타났습니다.
Dmitry Fedoseev : 그래도 ... 머리에 단락을 만들 수 있습니다. Yusuf 곡률의 적응은 경사 세그먼트(거의 직선 세그먼트, 볼록도가 미미함)를 따라 수행되며 궁극적으로 수평 이동이 예측됩니다. 그것에 대해 생각! 이 기술은 두 번째로 적용할 수 없으며 한 번만 적용되는 것으로 나타났습니다.
계수가 그렇게 분포되어 있다고 가정하면, 예를 들어 계수 1은 평균 0.5, 표준 편차를 갖습니다. 0.1. 이 가정은 계수를 계산한 결과에 중첩되므로 최소제곱과 차이가 있습니다. 계수의 가능한 값에 제한이 부과되는 능선 회귀의 개념이 있습니다. 내 이해에 이것은 같은 오페라에서 나온 것입니다.
그리고 오류의 정규성, 글쎄요, 그것은 의무적이어야 합니다. 나는 아무 것도 이해하지 못하는 일반화 된 선형 회귀 가 있습니다. 어떻게 든 모든 가정이 거기에서 우회됩니다.
UPD: 엡실론(계수) 값에 대한 t-통계량을 평가할 때 모델의 잔차에 대한 시그마 추정이 사용됩니다. 잔차 분포가 대칭이 아닌 어딘가에 강하게 편향되어 있으면(이상적으로는 정규여야 함) 계수의 중요성은 더 이상 신뢰할 수 없게 됩니다. 즉, 모델의 매개변수를 신뢰할 수 없습니다. 따라서 오차는 정규 분포를 따른다고 가정합니다.
2. 계수가 이러한 방식으로 분포되어 있다는 가정 하에, 예를 들어 계수 1번의 평균은 0.5, 표준편차입니다. 0.1. 이 가정은 계수를 계산한 결과에 중첩되므로 최소제곱과 차이가 있습니다. 계수의 가능한 값에 제한이 부과되는 능선 회귀의 개념이 있습니다. 내 이해에 이것은 같은 오페라에서 나온 것입니다.
3. 그리고 오류의 정규성, 글쎄요, 그것은 의무적이어야 합니다. 나는 아무 것도 이해하지 못하는 일반화 된 선형 회귀 가 있습니다. 어떻게 든 모든 가정이 거기에서 우회됩니다.
4. UPD: 엡실론(계수) 값에 대한 t-통계량을 평가할 때 모델의 잔차에 대한 시그마 추정이 사용됩니다. 잔차 분포가 대칭이 아닌 어딘가에 강하게 편향되어 있으면(이상적으로는 정규여야 함) 계수의 중요성은 더 이상 신뢰할 수 없게 됩니다. 즉, 모델의 매개변수를 신뢰할 수 없습니다. 따라서 오차는 정규 분포를 따른다고 가정합니다.
1. 그래서 우리는 "모델 계수의 가능성 최대화" 또는 "모델 가능성 최대화"를 얻습니다. 거기에 그렇게 쓰여있나요?
2. 계수와 분포는 어떻습니까? 평균 계수를 고려하는 이유는 무엇입니까?
3. 오류의 정규성에 대해 생각하는 이유는 무엇입니까? 분포의 대칭이면 충분합니다. 이는 트렌드 시작 시 민감도에만 영향을 미칩니다.
4. 당신은 정말로 그러한 범주에서 생각하고 당신이 쓰고 있는 것을 정말로 이해하고 있습니까?
1. 그래서 우리는 "모델 계수의 가능성 최대화" 또는 "모델 가능성 최대화"를 얻습니다. 거기에 그렇게 쓰여있나요?
2. 계수와 분포는 어떻습니까? 평균 계수를 고려하는 이유는 무엇입니까?
3. 오류의 정규성에 대해 생각하는 이유는 무엇입니까? 분포의 대칭이면 충분합니다. 이것은 트렌드 시작 부분의 감도에만 영향을 미칩니다.
4. 당신은 정말로 그러한 범주에서 생각하고 당신이 쓰고 있는 것을 정말로 이해하고 있습니까?
1. 가능성은 다음에서 최대입니다. 긴 공식은 다음과 같습니다. 우리는 잔차 제곱 평균의 최소값을 얻거나 가능성을 최대화했다고 말할 수 있습니다.
2. 당신은 뭔가를 이해하지 못할 수 있습니다. 계수 b1은 무엇입니까? 일반 모집단에 대한 계수 b1의 매개변수에 대한 지식이 없는 경우 t-분포된 계수 b1의 표본 값에 대한 수학적 기대. 선형 회귀 (보통 최소 제곱)는 E(b) 및 sigma(b)의 추정치를 제공합니다 - 계수 b1의 표준 오차. 모델의 출력에서 볼 수 있는 것은 이 모든 추정치입니다. 다음은 E(b)가 0, t-통계량 및 관련 확률과 얼마나 유의하게 다른지에 대한 평가입니다.
3. 나는 트렌드에 대해 아무 말도 할 수 없습니다. 대칭이 중요합니다. 사실입니다. 잔차에 대한 시그마도 중요합니다. 첨도 계수도 중요합니다.
4. 최근에 회귀에 대해 많이 읽었으므로 위에 쓴 내용을 이해합니다. 나는 회귀 결과에 대해 고객에게 보고하고 무엇인가를 이해해야 합니다. 나는 비모수적 방법을 선호하지만.
분명히 예측은 특히 단기적으로 시장에 그다지 중요하지 않습니다. 장기적으로 예측은 많은 사람들에게 적합하지 않은 연간 10-12%의 형태로 적당한 결과를 제공합니다.
장기와 단기의 차이점은 무엇인가요? 시간대를 바꾸면 됩니다.
위험의 크기를 감안할 때 10-12%는 전혀 흥미롭지 않습니다.
그래도 ... 머리에 단락을 만들 수 있습니다. Yusuf 곡률의 적응은 경사 세그먼트(거의 직선 세그먼트, 볼록도가 미미함)를 따라 수행되며 궁극적으로 수평 이동이 예측됩니다. 그것에 대해 생각! 이 기술은 두 번째로 적용할 수 없으며 한 번만 적용되는 것으로 나타났습니다.
그런 다음 모든 데이터를 입력하고 2015년 예측은 변경되지 않습니다. 바라보다:
... 그리고 (18)의 경우 아무 것도 수행할 필요가 없으면 최상의 방법으로 스스로 조정됩니다. 모든 면에서 (18)보다 더 나은 모델이 아직 발명되지 않았다는 것을 인정할 용기가 없다는 것뿐입니다.
노벨위원회는 (18)에 대해 무엇을 말합니까? 아니면 인정할 용기가 없는 걸까요?
장기와 단기의 차이점은 무엇인가요? 시간대를 바꾸면 됩니다.
위험의 크기를 감안할 때 10-12%는 전혀 흥미롭지 않습니다.
노벨위원회는 (18)에 대해 무엇을 말합니까?
그리고 여기서 무엇을 어떻게 혼동할 수 있습니까?
어떤 신뢰성?
타당성:
a) 모델 계수
b) 모델 자체
계수가 그렇게 분포되어 있다고 가정하면, 예를 들어 계수 1은 평균 0.5, 표준 편차를 갖습니다. 0.1. 이 가정은 계수를 계산한 결과에 중첩되므로 최소제곱과 차이가 있습니다. 계수의 가능한 값에 제한이 부과되는 능선 회귀의 개념이 있습니다. 내 이해에 이것은 같은 오페라에서 나온 것입니다.
그리고 오류의 정규성, 글쎄요, 그것은 의무적이어야 합니다. 나는 아무 것도 이해하지 못하는 일반화 된 선형 회귀 가 있습니다. 어떻게 든 모든 가정이 거기에서 우회됩니다.
UPD: 엡실론(계수) 값에 대한 t-통계량을 평가할 때 모델의 잔차에 대한 시그마 추정이 사용됩니다. 잔차 분포가 대칭이 아닌 어딘가에 강하게 편향되어 있으면(이상적으로는 정규여야 함) 계수의 중요성은 더 이상 신뢰할 수 없게 됩니다. 즉, 모델의 매개변수를 신뢰할 수 없습니다. 따라서 오차는 정규 분포를 따른다고 가정합니다.
타당성:
1. a) 모델의 계수
b) 모델 자체
2. 계수가 이러한 방식으로 분포되어 있다는 가정 하에, 예를 들어 계수 1번의 평균은 0.5, 표준편차입니다. 0.1. 이 가정은 계수를 계산한 결과에 중첩되므로 최소제곱과 차이가 있습니다. 계수의 가능한 값에 제한이 부과되는 능선 회귀의 개념이 있습니다. 내 이해에 이것은 같은 오페라에서 나온 것입니다.
3. 그리고 오류의 정규성, 글쎄요, 그것은 의무적이어야 합니다. 나는 아무 것도 이해하지 못하는 일반화 된 선형 회귀 가 있습니다. 어떻게 든 모든 가정이 거기에서 우회됩니다.
4. UPD: 엡실론(계수) 값에 대한 t-통계량을 평가할 때 모델의 잔차에 대한 시그마 추정이 사용됩니다. 잔차 분포가 대칭이 아닌 어딘가에 강하게 편향되어 있으면(이상적으로는 정규여야 함) 계수의 중요성은 더 이상 신뢰할 수 없게 됩니다. 즉, 모델의 매개변수를 신뢰할 수 없습니다. 따라서 오차는 정규 분포를 따른다고 가정합니다.
1. 그래서 우리는 "모델 계수의 가능성 최대화" 또는 "모델 가능성 최대화"를 얻습니다. 거기에 그렇게 쓰여있나요?
2. 계수와 분포는 어떻습니까? 평균 계수를 고려하는 이유는 무엇입니까?
3. 오류의 정규성에 대해 생각하는 이유는 무엇입니까? 분포의 대칭이면 충분합니다. 이는 트렌드 시작 시 민감도에만 영향을 미칩니다.
4. 당신은 정말로 그러한 범주에서 생각하고 당신이 쓰고 있는 것을 정말로 이해하고 있습니까?
유라, 생각할 틈도 없고 100년 뒤에 정신을 차릴 텐데, 안타깝게도 아무도 그녀를 진지하게 받아들이거나 연구하지 않는다. 그러나 후손은 감사해야 합니다.
1. 그래서 우리는 "모델 계수의 가능성 최대화" 또는 "모델 가능성 최대화"를 얻습니다. 거기에 그렇게 쓰여있나요?
2. 계수와 분포는 어떻습니까? 평균 계수를 고려하는 이유는 무엇입니까?
3. 오류의 정규성에 대해 생각하는 이유는 무엇입니까? 분포의 대칭이면 충분합니다. 이것은 트렌드 시작 부분의 감도에만 영향을 미칩니다.
4. 당신은 정말로 그러한 범주에서 생각하고 당신이 쓰고 있는 것을 정말로 이해하고 있습니까?
1. 가능성은 다음에서 최대입니다. 긴 공식은 다음과 같습니다. 우리는 잔차 제곱 평균의 최소값을 얻거나 가능성을 최대화했다고 말할 수 있습니다.
2. 당신은 뭔가를 이해하지 못할 수 있습니다. 계수 b1은 무엇입니까? 일반 모집단에 대한 계수 b1의 매개변수에 대한 지식이 없는 경우 t-분포된 계수 b1의 표본 값에 대한 수학적 기대. 선형 회귀 (보통 최소 제곱)는 E(b) 및 sigma(b)의 추정치를 제공합니다 - 계수 b1의 표준 오차. 모델의 출력에서 볼 수 있는 것은 이 모든 추정치입니다. 다음은 E(b)가 0, t-통계량 및 관련 확률과 얼마나 유의하게 다른지에 대한 평가입니다.
3. 나는 트렌드에 대해 아무 말도 할 수 없습니다. 대칭이 중요합니다. 사실입니다. 잔차에 대한 시그마도 중요합니다. 첨도 계수도 중요합니다.
4. 최근에 회귀에 대해 많이 읽었으므로 위에 쓴 내용을 이해합니다. 나는 회귀 결과에 대해 고객에게 보고하고 무엇인가를 이해해야 합니다. 나는 비모수적 방법을 선호하지만.