Самоназвание: Регулирующая организация: Общее число говорящих: Статус: Классификация Категория: Письменность: Языковые коды ГОСТ 7.75–97: ISO 639-1: ISO 639-2: ISO 639-3: Распространение английского языка[3]: Английский язык возник в раннем Средневековье как язык части германских племён, вторгшихся в Британию. Он стал родным для...
This guide gets you started programming in TensorFlow. Before using this guide, install TensorFlow. To get the most out of this guide, you should know the following: How to program in Python. At least a little bit about arrays. Ideally, something about machine learning. However, if you know little or nothing about machine learning, then this...
变量的相关性问题已经讨论过很多次了。
当然,相关性是最值得怀疑的,很快,与土星环、咖啡渣......的相关性开始被看到。
不知何故,这一点已被遗忘。
格兰杰因果检验 是检验时间序列 之间因果关系("格兰杰因果关系")的程序。检验的想法是,引起时间序列{displaystyle x_{t}}变化的时间序列{displaystyle y_{t}} 的值(变化)必须先于这个时间序列的变化,而且必须对其预测值做出有意义的贡献。如果每个变量都对另一个变量的预测有意义的贡献,可能有一些其他的变量会影响这两个变量。
格兰杰检验一直在检验两个无效假设。"根据格兰杰,x不是y的原因 "和 "根据格兰杰,y不是x的原因"。为了检验这些假设,我们构建了两个回归:在每个回归中,因变量是被检验的因果关系的变量之一,而回归者是两个变量的滞后期(事实上,它是一个向量自 回归)。
这里是这个案例的代码,从这里开始
当然,相关性是最值得怀疑的,很快,与土星环、咖啡渣......的相关性就开始出现了。
不知何故,这一点已被遗忘。
没有人忘记任何事情....
这时,google correlate会问, 你想如何测量相关性?Googling现在不会问到这个问题,也不会。服务已经6年了,如果他们想做,他们早就做了 ...
还有一件事...
谷歌的数据库中有数十亿的BPs,总会有一百多个BPs偶然接近,只是因为数据库很大,而且他们如何衡量接近程度并 不重要,是简单的相关关系还是复杂繁琐的东西。
问题是如何将随机的东西从非随机的东西中筛选出来。
问题是如何将随机的东西从非随机的东西中筛选出来。
我们可以
1)将eura系列分成两部分 "1 "和 "2"
2) 在谷歌中输入 "1 "行,它将找到所有接近的行
3)记住所有接近的行的名字。
4) 把 "2 "行扔进谷歌,它会找到所有与之接近的行。
5)记住所有接近的行的名字
6) 比较3)和5)点的行名,寻找3)和5)中都有的行。
因此,我们找到了与欧元并不偶然相关的系列--这是一种最原始的交叉验证形式。
但如何获得这些名字我不知道,你可能需要解析一下这个页面
没有人忘记任何事情....
当google correlate会问你 ,你想用哪种方法来测量连接?Googling现在不会问到这个问题,也不会。这个服务已经有6年了,如果他们想做,早就做了。
还有一件事...
谷歌的数据库里有数十亿的BPs,总会有一百多个BPs偶然接近,只是因为数据库很大,而且他们如何衡量接近程度并 不重要,是简单的相关关系还是复杂繁琐的东西。
问题是如何将随机的东西从非随机的东西中筛选出来。
因此,通过测试从谷歌收集的所有垃圾中进行筛选--这就是我的意思。
因此,在谷歌收集的所有垃圾的测试中进行筛选,--这就是我的意思。
我不知道该怎么做,但我不知道该怎么做)。
你可以用谷歌搜索一百个 与欧元完全相关 的系列,无论测试有多复杂,它们都显示出极好的相关性,所以在这种情况下是没有用的。
无论你应用多么巧妙的测试,它们都显示出完美的联系。
我对这一点有疑虑。趋势的高度关联性只意味着它们一般以大致相同的速度上升和下降。首先,最好不是寻找趋势的相关性,而是寻找上升的相关性,例如可以把类似的趋势保存到csv中,然后google会显示滞后期并重新计算相关性,这样会更客观。
而且相关关系根本不能保证一个变量可以预测另一个变量。一般来说,根据高相关度的原则选择预测者进行预测是很不幸的。我以前没有试过SanSanych建议的方法,但它看起来更可靠。
有可能
1)将eura行分为两部分 "1 "和 "2"
2)在谷歌中输入 "1 "行,它将找到所有密切相关的行。
3)记住所有接近的行的名字
4) 把 "2 "行扔进谷歌,它会找到所有与之接近的行。
5)记住所有接近的行的名字
6) 比较第3)点和第5)点的行的名称 并寻找同时存在于3)和5)中的这样一个系列
因此,我们找到了与欧元并不偶然相关的系列;这是一种最原始形式的交叉评价。
但我不知道如何获得这些名字,我们也许应该解析一下这个页面
这就是所谓的PSE测试。
实际上是在回归模型的背景下检查样本的异质性。
我对此表示怀疑。趋势的高度相关性只意味着在一般情况下,它们以同样的方式增加和减少。首先,寻找相关性将是一个好主意,不是趋势的相关性,而是增加的相关性,例如你可以在csv中保存类似的趋势,然后自己寻找滞后期,重新计算相关性,这将更加客观。
是的,我同意,但谷歌并没有给我们它的整个数据库,而只是 "按趋势 "相关的东西,把按趋势相关的东西拿出来,用它来做增量和测量corr.也是不客观的,可能...:)我们需要查看整个数据库
这就是所谓的PSE测试。
实际上是在回归模型的背景下检查样本的异质性。
我读过这本小册子http://www.mirkin.ru/_docs/dissert065.pdf, 想使用NeuroShell Day Trader Pro。