당신에게서 이것을 듣는 것이 이상합니다. 순위가 실제로 어떤 식 으로든 절대 값을 고려하지 않는다고 정말로 믿습니까?
비모수적 방법의 주요 요구 사항은 "노이즈" 및 분포(특히 뚱뚱한 꼬리)에 대한 견고성입니다. 이를 위해 정확도를 약간 희생할 수 있는데, 이는 종종 환상적이고 오해의 소지가 있는 것으로 판명됩니다.
이 계산은 선택한 통계 순위 측정값(일종의 기능적)에 따라 다르므로 작은 표본에서는 Spearmann, Kendal 및 Hoefding의 계수가 다른 값을 표시합니다. 그리고 무엇을 사용할 것인가? 추세 지원 기능의 유형 및 순서와 같은 가치 생성 시스템의 다양한 지원에 대해 하나의 측정값 또는 다른 측정값이 가장 좋습니다. 예, 비모수적 방법으로 QC를 근사할 수 있지만 이 상관 관계 유형을 알 수 없는 경우에 필요합니까? 비모수 QC는 측정을 위해 선택한 측정이 관측치의 단조로운 변환에만 둔감하다는 점에서 비모수적이며, 이는 시장에서도 항상 그런 것은 아닙니다. 드리프트가 있는 SB는 종종 순위의 갑작스러운 비단조 순열을 제공합니다.
대조적으로, 선형 QC는 적용 가능한 것에 대해 명확한 값을 제공합니다.
Alexey, 긴 꼬리와 뚱뚱한 꼬리의 개념은 서로 반대이므로 정의하고 구별합시다. 내 연구에 따르면 시장에는 꼬리가 긴 배포판이 없습니다.
-Aleksey- : 여기서 전체 질문은 분배가 무엇인가 하는 것입니다. 고전 이론은 이 개념을 명확하게 정의하는 것을 허용하지 않으므로(더욱이 그것을 구성하는 것조차 허용하지 않음) 사용하지 않습니다. 내 접근 방식은 오류 측정을 결정하는 일부 공간에서 준정상 분포의 진화입니다.
나는 미묘한 부분에 능숙하지 않습니다. 대화는 다른 것에 관한 것이었습니다. 비모수적 방법에 관한 것이었고, 특히 분포를 알 수 없는 경우에는 종종 모수적 방법보다 더 적절하다고 판명되었습니다. 정확히는 아니지만 더 적절하게.
Mathemat : 나는 미묘한 부분에 능숙하지 않습니다. 대화는 다른 것에 관한 것이었습니다. 비모수적 방법에 관한 것입니다.
그리고 우리는 이 모든 계수에 대해 무엇을 말할 수 있습니까? 순위의 nonmonotonic 순열에 대한 민감도가 각각 다르므로 다르게 보입니다. 당신은 그것들의 무리를 만들 수 있습니다. 그러나 알려지지 않은 유형의 상관 관계로 무엇을 선택해야 하는지는 알 수 없습니다.
faa1947 : 정말 AlexEro 가 아닙니다. matlab에 대해? 결국, 하늘에 빛나는 성물, 유료, 미친 돈 .....
Matkad는 비난의 대상이 아닙니다. 나는 이미 감소가 얻어지는 이유를 위에서 썼습니다.
다시 한 번 AlexEro, 감소는 실제로 cos(w*i)(숫자 축의 양쪽에서 무기한으로 계속되는 함수)가 아니라 cos(w*i)*[h에서 lcorr을 계산한다는 사실에서 비롯됩니다. (i ) - h(100-i)] , 여기서 h(t)는 헤비사이드 함수(단일 단계)입니다. 확인하는 쉬운 방법: 지정하는 정현파 샘플이 많을수록 감소가 줄어듭니다. 확인하기 어려운 방법: 지정된 표현식을 lcorr 공식에 명시적으로 대체하고 삼각형을 얻습니다.
TV에서는 동물학이 아닌 모든 것이 옳습니다. 꼬리가 길면 두꺼운 것입니다)). 그래프 아래 영역을 1로 정규화하는 것, 즉 "꼬리"가 중앙 영역에서 확률의 일부를 빼내는 것입니다. 일반적으로 "두꺼운"(또는 원하는 경우 "긴")은 컨텍스트에 따라 다른 것을 의미합니다. 이는 가우스보다 느리게 감소하는 분포 또는 무한 분산이 있는 분포 등일 수 있습니다.
Matkad는 비난의 대상이 아닙니다. 나는 이미 감소가 얻어지는 이유를 위에서 썼습니다.
다시 한 번 AlexEro, 감소는 실제로 cos(w*i)(숫자 축의 양쪽에서 무기한으로 계속되는 함수)가 아니라 cos(w*i)*[h에서 lcorr을 계산한다는 사실에서 비롯됩니다. (i ) - h(100-i)], 여기서 h(t)는 헤비사이드 함수(단일 단계)입니다. 확인하는 쉬운 방법: 지정하는 정현파 샘플이 많을수록 감소가 줄어듭니다. 확인하기 어려운 방법: 지정된 표현식을 lcorr 공식에 명시적으로 대체하고 삼각형을 얻습니다.
(Preobrazhensky 교수의 피곤한 목소리로)
"실례합니다, 누가 누구 위에 섰습니까?"
실례합니다. "Heaviside 함수의 창을 고려"하는 곳은 어디입니까 ? 보여주세요, 코로 저를 찌르세요.
킥애스, 여기서 나는 Allochka로 변할 것입니다. 이것은 일종의 음모, 방해 행위입니다.
나는 Matlab이 거기에서 어떻게 생각하는지 상관하지 않습니다.
나는 물리학자들이 Fortran에서 어떻게 프로그래밍하는지 상관하지 않습니다.
Matlab 아웃소싱 프로그래머의 머리 속에 무엇이 있는지 신경쓰지 않습니다.
나는 수학 회사의 작업 관리자인 돌로 된 힌두교 프로그래머의 머리 속에 무엇이 있는지, 그리고 그가 거기에서 자기상관 이 "정확하게" 프로그래밍되어야 하는 방법이 정확히 무엇이라고 생각하는지, 그리고 그가 믿는 돌 같은 "정확함"에 대해 생각하는지 상관하지 않습니다. 전체 자기상관을 제거하는 전체 절편에서 Heaviside 창으로 "보상"해야 하는 샘플 세그먼트 끝에 판독값 부족이 있습니다.
난 상관없어. 나는 matlab을 사용하지 않으며, 한 번도 사용하지 않았으며 사용할 계획도 없습니다. 내가 인용한 Matlab의 그림은 Privalova이며 거기에 대한 링크도 제공했습니다.
어떻게 그런 토론을 왜곡할 수 있는지 이해가 되지 않습니다. 이것은 토론이 아니라 소비에트 선동입니다. 나는 자기 상관의 정의에 대해 이야기하고 있고 이 개념의 의미에 대해 이론적인 기초와 자기 상관 알고리즘의 정확성을 확인하기 위한 간단한 규칙을 보여줍니다. Matlab과 Privalov의 자기 상관 덤핑은 첫 번째 읽기에서 바로 시작된다는 것을 보여줍니다. " 나는 그것이 Heaviside 창이라고 생각합니다"를 보기 때문에 I AM TO LAUGHTER라고 말하는 설명이 표시됩니다. 나에게내 주장을!
당신에게서 이것을 듣는 것이 이상합니다. 순위가 실제로 어떤 식 으로든 절대 값을 고려하지 않는다고 정말로 믿습니까?
비모수적 방법의 주요 요구 사항은 "노이즈" 및 분포(특히 뚱뚱한 꼬리)에 대한 견고성입니다. 이를 위해 정확도를 약간 희생할 수 있는데, 이는 종종 환상적이고 오해의 소지가 있는 것으로 판명됩니다.
이 계산은 선택한 통계 순위 측정값(일종의 기능적)에 따라 다르므로 작은 표본에서는 Spearmann, Kendal 및 Hoefding의 계수가 다른 값을 표시합니다. 그리고 무엇을 사용할 것인가? 추세 지원 기능의 유형 및 순서와 같은 가치 생성 시스템의 다양한 지원에 대해 하나의 측정값 또는 다른 측정값이 가장 좋습니다. 예, 비모수적 방법으로 QC를 근사할 수 있지만 이 상관 관계 유형을 알 수 없는 경우에 필요합니까? 비모수 QC는 측정을 위해 선택한 측정이 관측치의 단조로운 변환에만 둔감하다는 점에서 비모수적이며, 이는 시장에서도 항상 그런 것은 아닙니다. 드리프트가 있는 SB는 종종 순위의 갑작스러운 비단조 순열을 제공합니다.
대조적으로, 선형 QC는 적용 가능한 것에 대해 명확한 값을 제공합니다.
Alexey, 긴 꼬리와 뚱뚱한 꼬리의 개념은 서로 반대이므로 정의하고 구별합시다. 내 연구에 따르면 시장에는 꼬리가 긴 배포판이 없습니다.
차이를 느끼지 못했습니다. 내가 틀렸는지 이해할 수 있도록 코를 찌르십시오.
아무도 비모수적 방법이 모든 문제를 해결한다고 말하지 않습니다. 그러나 종종 상관관계 유형을 알 수 없는 경우에만 추정치가 모수적 추정치보다 더 적절합니다.
꼬리가 길면 가늘다. 삼각형 분포 등(사다리꼴)은 예외입니다. 그 반대. 그리고 길고 얇은 꼬리를 두껍게 부르면 혼란 스럽습니다. 두꺼운 것은 일반적으로 짧습니다. 이것은 Google이 아닌 IMHO입니다.
여기서 전체 질문은 분배가 무엇인지입니다. 고전 이론은 이 개념을 명확하게 정의하는 것을 허용하지 않으므로(더욱이 그것을 구성하는 것조차 허용하지 않음) 사용하지 않습니다. 내 접근 방식은 오류 측정을 결정하는 일부 공간에서 준정상 분포의 진화입니다.
나는 미묘한 부분에 능숙하지 않습니다. 대화는 다른 것에 관한 것이었습니다. 비모수적 방법에 관한 것입니다.
정말 AlexEro 가 아닙니다. matlab에 대해? 결국, 하늘에 빛나는 성물, 유료, 미친 돈 .....
Matkad는 비난의 대상이 아닙니다. 나는 이미 감소가 얻어지는 이유를 위에서 썼습니다.
다시 한 번 AlexEro, 감소는 실제로 cos(w*i)(숫자 축의 양쪽에서 무기한으로 계속되는 함수)가 아니라 cos(w*i)*[h에서 lcorr을 계산한다는 사실에서 비롯됩니다. (i ) - h(100-i)] , 여기서 h(t)는 헤비사이드 함수(단일 단계)입니다. 확인하는 쉬운 방법: 지정하는 정현파 샘플이 많을수록 감소가 줄어듭니다. 확인하기 어려운 방법: 지정된 표현식을 lcorr 공식에 명시적으로 대체하고 삼각형을 얻습니다.
꼬리가 길면 가늘다.
TV에서는 동물학이 아닌 모든 것이 옳습니다. 꼬리가 길면 두꺼운 것입니다)). 그래프 아래 영역을 1로 정규화하는 것, 즉 "꼬리"가 중앙 영역에서 확률의 일부를 빼내는 것입니다. 일반적으로 "두꺼운"(또는 원하는 경우 "긴")은 컨텍스트에 따라 다른 것을 의미합니다. 이는 가우스보다 느리게 감소하는 분포 또는 무한 분산이 있는 분포 등일 수 있습니다.
Matkad는 비난의 대상이 아닙니다. 나는 이미 감소가 얻어지는 이유를 위에서 썼습니다.
다시 한 번 AlexEro, 감소는 실제로 cos(w*i)(숫자 축의 양쪽에서 무기한으로 계속되는 함수)가 아니라 cos(w*i)*[h에서 lcorr을 계산한다는 사실에서 비롯됩니다. (i ) - h(100-i)], 여기서 h(t)는 헤비사이드 함수(단일 단계)입니다. 확인하는 쉬운 방법: 지정하는 정현파 샘플이 많을수록 감소가 줄어듭니다. 확인하기 어려운 방법: 지정된 표현식을 lcorr 공식에 명시적으로 대체하고 삼각형을 얻습니다.
(Preobrazhensky 교수의 피곤한 목소리로)
"실례합니다, 누가 누구 위에 섰습니까?"
실례합니다. "Heaviside 함수의 창을 고려"하는 곳은 어디입니까 ? 보여주세요, 코로 저를 찌르세요.
킥애스, 여기서 나는 Allochka로 변할 것입니다. 이것은 일종의 음모, 방해 행위입니다.
나는 Matlab이 거기에서 어떻게 생각하는지 상관하지 않습니다.
나는 물리학자들이 Fortran에서 어떻게 프로그래밍하는지 상관하지 않습니다.
Matlab 아웃소싱 프로그래머의 머리 속에 무엇이 있는지 신경쓰지 않습니다.
나는 수학 회사의 작업 관리자인 돌로 된 힌두교 프로그래머의 머리 속에 무엇이 있는지, 그리고 그가 거기에서 자기상관 이 "정확하게" 프로그래밍되어야 하는 방법이 정확히 무엇이라고 생각하는지, 그리고 그가 믿는 돌 같은 "정확함"에 대해 생각하는지 상관하지 않습니다. 전체 자기상관을 제거하는 전체 절편에서 Heaviside 창으로 "보상"해야 하는 샘플 세그먼트 끝에 판독값 부족이 있습니다.
난 상관없어. 나는 matlab을 사용하지 않으며, 한 번도 사용하지 않았으며 사용할 계획도 없습니다. 내가 인용한 Matlab의 그림은 Privalova이며 거기에 대한 링크도 제공했습니다.
어떻게 그런 토론을 왜곡할 수 있는지 이해가 되지 않습니다. 이것은 토론이 아니라 소비에트 선동입니다. 나는 자기 상관의 정의에 대해 이야기하고 있고 이 개념의 의미에 대해 이론적인 기초와 자기 상관 알고리즘의 정확성을 확인하기 위한 간단한 규칙을 보여줍니다. Matlab과 Privalov의 자기 상관 덤핑은 첫 번째 읽기에서 바로 시작된다는 것을 보여줍니다. " 나는 그것이 Heaviside 창이라고 생각합니다"를 보기 때문에 I AM TO LAUGHTER라고 말하는 설명이 표시됩니다. 나에게 내 주장을!
젠장, 여기 내 말을 이해하는 사람이 적어도 한 명 있습니까? 아아!
젠장, 여기 내 말을 이해하는 사람이 적어도 한 명 있습니까? 아아!
있다. 글쎄, 약속했다, 약속했다!
추신 "INDICATOR란 무엇인가" 지점으로 이동하지 않겠습니까 ??? 아마도 1년 안에 당신은 합리적인 것을 쓸 수 있을 것입니다 ...
Alex가 INDICATOR가 무엇인지 생각하는 동안 모두에게 질문입니다. SILVER와 GOLD 두 가지 선택이 있습니다. 일일 데이터, 420개 관찰.
Spearman의 QC는 0.52이고 순위 상관 계수는 통계적으로 유의하며 두 테스트의 점수 간의 순위 상관은 유의합니다.
피어슨의 QC - 0.64.
그래서 무엇? 직접적인 상관관계. 실용적인 결론?