引文中的依赖性统计（信息论、相关和其他特征选择方法）。 - 页 13 1...67891011121314151617181920...74 新评论 Sceptic Philozoff 2011.09.05 23:32 #121 不，问题并没有改变。这只是一个原子性的问题，不可分割。而为了获得整体情况，你也必须扫描Lag变量。 我可以把我几个月前的结果摘录出来，（但我的结果是文本形式的）。这不是相互的信息，就像topicstarter所拥有的，而是Matrix的频率。还有计算 "变量独立性的卡方检验 "统计量的结果（当时我还不知道什么是相互信息，但我已经在关注变量依赖性的共同衡量标准，并尝试了不同的标准）。尽管如此，这些数字也一点也不无聊。 我将在明天（好吧，我是说今天，但稍后）发布它们，因为我无法访问我正在计算的电脑。 P.S. 这与 "普遍退步等 "没有关系。(18)是一种粗略的机械性的价格方法，而这里则是根本性的统计。 Юсуфходжа 2011.09.06 01:50 #122 Mathemat: 不，问题并没有改变。这只是一个原子性的问题，不可分割。而为了获得整体情况，你也必须扫描Lag变量。 我可以把我几个月前的结果摘录出来，（但我的结果是文本形式的）。这不是相互的信息，就像topicstarter所拥有的，而是Matrix的频率。还有计算 "变量独立性的卡方检验 "统计量的结果（当时我还不知道什么是相互信息，但我已经在关注变量依赖性的共同衡量标准，并尝试了不同的标准）。尽管如此，这些数字也一点也不无聊。 我将在明天（我是说今天，但要晚一点）发布，因为我现在无法接触到进行计算的电脑。 P.S. 这与 "普遍退步等 "没有关系。(18)是一种粗略的机械性的价格方法，而这里则是根本性的统计。 (18)在ATS模式下给出的，即使不好，但结果，不使用止损和TP，并把你的精细统计方法带到这个水平，然后我们将进行比较。 黄金从2009年11月25日到2011年9月2日，H4，0.1手，最大跌幅10.32%，MO 27.6 СанСаныч Фоменко 2011.09.06 05:28 #123 Mathemat: 没有争论，这一切都很有意义。让我们从第1点开始。 1."准确定义我们所采取的措施"： 首先--任务单元，然后是不可分割的一个。 修复整数滞后。它将是 "条形之间的距离"，即在MT4的指定时间框架内，其指数的差异模数。 目标：确定以下两个随机变量之间是否存在统计关系：1）指数为sh的 "主 "条的回归，以及2）指数为sh+Lag的 "从 "条的回归。 这就是我们采取的措施：所有的条形图之间的距离都等于拉格。它是非常精确的。 在哪里，有什么可怀疑的？让我们先来处理第一项。如果成功了--让我们继续讨论第二点。 它几乎是一个ACF，但公式不同。ACF是统计学的一个组成部分。它对寻找各种依赖关系很有帮助。自ARIMA出现以来，它在理论和实践中都得到了非常广泛的应用。任何新事物都必须首先指出与众所周知的、成熟的类似事物的相似和不同之处。如果不这样做，在伦敦最喧闹的房子里，这个想法是没有商量余地的。这就是我在这个话题中一直在谈论的。你应该总是从对文献的综述开始。在你的帖子中的引文中没有绕口令--没有集市。 下一步，我看到sh，我明白ACF是从sh=1开始计算的，而不是从一个任意的地方开始计算。但是有一个ACF。你的建议与此有什么相似或不同。只是不要用TI的话来混淆重点（BP中的依赖性）。 Sceptic Philozoff 2011.09.06 09:11 #124 faa1947: 它几乎是一个ACF，但公式不同。ACF是统计学的一个组成部分。它在寻找各种依赖关系方面非常出色。 这不一定是一个ACF。关于ACF寻找各种依赖关系，你是大错特错的。看一下相关的 情况。在文章的结尾处，有相关分析的局限性，其中有图片。这就是为什么我放弃了ACF。用皮尔逊相关法检测的条形图之间的线性相关关系太弱，而且时间很短。 你应该总是从对文献的梳理开始。在你的帖子中的引文中没有绕口令--没有集市。 这样一来，我们将在很长一段时间内无法移动。但总的来说，我同意你的观点：仍然需要某种论证。我会考虑的--如果你对上一段的最后一句话不满意的话，关于线性依赖。 只是不要用TI的话来混淆重点（BP中的依赖性）。 所以你决定禁止我使用TI来寻找依赖性？ 2 yosuf: 我不打算和你竞争。继续改进你的工具，但请不要进入这个主题。在这里，它是一个事后的想法。 Hide 2011.09.06 09:43 #125 Mathemat: 找到一篇关于信息熵的文章（Wiki）。从那里引用1句话。 这就是熵，传统的熵。这就是你所解释的定义吗？ 是的，我愿意同意字母表中的字母在统计学上应该是 独立的，这样就不会有冗余或依赖性。这大概就是存档者在做的事情，创建一个明显不同于用于创建文本的字母表。 但这不是我们要计算的!关于我们正在计算的内容，接下来。 专题组的谈话（我也是）不是关于信息熵的，而是，该死的，关于 相互信息 的（又是维基）！！！。 相互信息 是两个随机变量的统计函数，描述了一个随机变量相对于另一个变量所包含的信息量。 相互信息通过两个随机变量 的熵 和条件熵 定义为[接下来是I（X,Y）的公式 只是要指出，从同样的学说中可以看出，计算相互信息的公式可以是这样的。 相互信息（X和Y之间）= 熵（X）- 条件熵（X和Y之间）。 也就是说，如果我们不从美国的资料中写出看起来很可怕的公式，而是按照定义去做。 这里的X和Y是两个不同的系统，它们之间存在着一种依赖关系，即对X和Y的依赖关系。 如果我们想要总相互信息，那么它就像topicstarter的。 总的相互信息（X和Y之间）= 熵（X）+ 熵（Y）- 组合系统（X和Y）的熵 为什么写成 "组合系统的熵 "而不是 "条件熵"，因为事实上两个系统的总熵可以是独立的，也可以是条件的。很明显，如果X和Y是不相关的，而且是独立的，那么我们应该算作联合概率（熵加定理），如果有关系，则算作条件。 现在说说我们的利益。这整个绕过的过程如何能应用于市场。假设模型如下。有一个系统X--市场（字母表），它有有限的、确定的状态（符号）数量，以一定的频率（符号概率）出现。还有第二个系统Y--报价记录。引语（字母表）也有一套有限的具有一定频率的符号。从这一切中可以推断出什么？ 1.你需要了解市场的英文字母。那里总是发生一些事情，买和卖，有人破产，有人拿出新钱，发生大规模的歇斯底里，等等。这就是说，字母表非常庞大，很难如此简单地描述。 2.即使有可能描述市场的字母，也有一个关于市场中发生的过程的静止性问题。应该理解，TI绝对是以属性的恒定性为导向的。 第二系统的字母表，引号。它与市场的字母表不同。可能已经是这样了。而且你需要知道是哪一个。如果我们简单地将时间框架上的报价变化范围划分为量值，并使其成为字母，我们会得到什么。更确切地说，我们是将信息从市场的字母表中全部或部分映射到报价的字母表中？什么部分的信息丢失了？ 或者，也许什么都没有丢失，市场的字母表只是多余的。等等。 СанСаныч Фоменко 2011.09.06 09:50 #126 Mathemat: 这几乎不是ACF，甚至根本就不是ACF。而你关于ACF寻找各种依赖关系的说法是错误的。看一下相关的情况。在文章的结尾处，有相关分析的局限性，其中有图片。这就是为什么我放弃了ACF。我对通过皮尔逊相关检测到的柱状体之间的线性相关不感兴趣，因为它们太弱，而且时间很短。 相关性的精心设计是其强势的一面，但同时你也把相关性的已知局限性归结到了弱势的一面。但是，正是这些限制使我们能够对一个叫做 "ACF "的数量进行有意义的推理，对该数量的信心概率，计算该信心的条件，以及一般地评估对这些数量的任何推理的可允许性，取决于是否满足相关限制。即使掌握了一切，用工具武装起来，在实践中也会遇到严重的困难，不断陷入私通。 试着写出同样的主题的专题。 ACF相当具体地显示了趋势，并与ChAKF一起寻找周期。而 "信息依赖 "是什么，它是什么样的野兽，它是如何用引号或增量来显示的？有很多关于市场心理学的出版物，在那里可以找到对趋势和周期形成的解释，但 "信息依赖 "的心理学基础是什么，在哪些出版物上有记载？"信息依赖 "是否影响报价？在什么基础上可以相信所产生的图片？结果的可信度在哪里？这一切的适用条件在哪里？只是问题。这个话题让我越来越想起与hfenks的话题（如果我没记错的话），他也在不知不觉中在依赖关系的话题上弯了腰。 从论文的角度来看，完全是初步的，有科学新颖的迹象，但如果没有与相关的比较，这都是空洞的垃圾（对不起）。 Sceptic Philozoff 2011.09.06 09:55 #127 HideYourRichess: 只是要指出的是，从同样的学理出发，计算相互信息的公式可以是这样的。[...] 为什么写成 "合并系统的熵 "而不是 "条件熵"，因为事实上两个系统的总熵可能既独立又有条件。很明显，如果X和Y是不相关的、独立的，就应该算作联合概率（熵加定理），如果有联系，则算作条件。 我怀疑你会指出这一点。幸运的是，在任何情况下，通过概率（而不是熵）写成的公式都是一样的--不管有什么东西取决于什么或没有。所以这种推理没有增加任何新的内容。 有一个系统X--市场（字母表），它有有限的、明确的状态（符号）数量，这些状态以一定的频率（符号概率）出现。还有第二个系统Y--报价记录。引语（字母表）也有一套有限的具有一定频率的符号。从这一切中可以推断出什么？ 我提请你们注意，这已经不是专题讨论会所考虑的制度了。我并没有天真到认真地认为有可能学会市场的字母表。而且我试图为自己设定现实的目标。 Sceptic Philozoff 2011.09.06 10:27 #128 faa1947: 相关性的阐述是它的优势，但同时你也把相关性的已知局限性归结到了弱点方面。但是，正是这些限制使我们能够有意义地推理一个叫做 "ACF "的量，推理对该量的信心概率，推理该信心的条件，并根据相关限制的履行情况，普遍评估对这些量的任何推理的可允许性。 完全正确。一半的terver/matstat讲的是中心极限定理及其影响，具体涉及正态分布。这是一个完美的 "工作化 "分布。然而，有一些随机变量即使在极限情况下也不遵守它。我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？ ACF相当具体地显示了趋势，并与CHAKF一起寻找周期。 在数据挖掘阶段，周期和趋势都还不值得关注。值得关注的是ACF原则上没有检测到的依赖关系。 而 "信息依赖 "是什么呢？"信息依赖 "是什么？"信息依赖 "是指什么？"信息依赖 "是指什么？"信息依赖 "是指什么？"信息依赖 "是指什么？有很多关于市场心理学的出版物，在那里可以找到对趋势和周期形成的解释，但 "信息依赖 "的心理学基础是什么，在哪些出版物上有记载？"信息依赖 "是否影响报价？在 什么基础上可以相信所产生的图片？结果的可信度在哪里？这一切的适用条件在哪里？这条线让我越来越想起hfenks的那条线（如果我没记错的话），他也在不知不觉中吐槽过依赖性。 你问了太多的问题。我问你：你知道至少有一个研究者，在开始做一些非常新、非常奇怪的事情之前，会先对新事物的适用性做一个完整的、绝对的证实--然后继续获得结果，其提示在一瞬间就闪现在他的脑海中？通常情况下是反过来的：首先，新的东西被应用，而不考虑证实和严谨性，然后，如果有有趣的东西出现，就开始证实。你明白我的意思吗？ 说到hrenfx：他也做了基于皮尔逊相关的分析。 从论文的角度来看，完全是初步的，有科学创新的迹象，但如果没有与相关的比较，所有这些都是空洞的垃圾（对不起）。 没有什么大不了的。好吧，我们在这里讨论的不是一篇论文，而只是一个好奇的想法，未来可能会有一些东西出来。我很清楚，它可能不会。那么，为什么要把时间浪费在紧绷的理由上呢？ СанСаныч Фоменко 2011.09.06 10:58 #129 Mathemat: 完全正确。terver/matstat的一半内容是关于中心极限定理和关于它们的含义，这些内容具体涉及到正态分布。这是一个完美的 "工作化 "分布。然而，有一些随机变量即使在极限情况下也不遵守它。我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？ 在数据挖掘阶段，周期和趋势都还不值得关注。令人感兴趣的是ACF从根本上无法检测到的依赖关系。 你问了太多的问题。我也要问你：你知道至少有一个研究者，在开始做一件非常新、非常奇怪的事情之前，会先对这个新事物的适用性做一个完整的、百分之百的论证--然后再去获得结果，一瞬间就在他的脑子里闪过一丝丝的想法？通常情况下是反过来的：首先，新的东西被应用，而不考虑证实和严谨性，然后，如果有有趣的东西出现，就开始证实。你知道我的意思吗？ 说到hrenfx：他也做了一个基于皮尔逊相关的分析。 没有什么大不了的。好吧，我们在这里讨论的不是一篇论文，而只是一个好奇的想法，未来可能会有一些东西出来。我很清楚，它可能不会。那么，为什么要把时间浪费在紧绷的理由上呢？ 我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？ 实际上很有价值。而且，人们设法处理具有未知分布的非平稳随机过程。 通常情况下，它是反过来的：一开始，新的东西被应用，不考虑证据和各种限制，然后，如果得到了一些有趣的东西，就会有证据。你明白我的意思吗？ 不，首先测量福特汽车，然后是其他一切。在我所参加的所有科学理事会中，你的这种发言将是最后一次。 那么，为什么要在捉襟见肘的理由上浪费时间呢？ 伸展是没有必要的。但人们需要了解在与现有的比较层面上讨论的内容。 Hide 2011.09.06 11:06 #130 Mathemat: 我怀疑你会指出这一点。幸运的是，在任何情况下，通过概率（而不是熵）写成的公式都是一样的--不管有什么东西取决于什么或没有。所以这种推理没有增加任何新的内容。 我认为，即使是错误的，公式的本质也不能改变，其适用的条件也不能改变，因为它是由其他符号写的。 数学。 我提请大家注意，这已经不是专题讨论会所考虑的制度了。我还没有天真到认真谈论学习市场的字母表。而且我试图为自己设定现实的目标。 一个更完整的系统看起来像这样：市场字母表<->报价字母表->任务字母表。topikstarter只考虑了最后一对，报价是任务。 1...67891011121314151617181920...74 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
不，问题并没有改变。这只是一个原子性的问题，不可分割。而为了获得整体情况，你也必须扫描Lag变量。
我可以把我几个月前的结果摘录出来，（但我的结果是文本形式的）。这不是相互的信息，就像topicstarter所拥有的，而是Matrix的频率。还有计算 "变量独立性的卡方检验 "统计量的结果（当时我还不知道什么是相互信息，但我已经在关注变量依赖性的共同衡量标准，并尝试了不同的标准）。尽管如此，这些数字也一点也不无聊。
我将在明天（好吧，我是说今天，但稍后）发布它们，因为我无法访问我正在计算的电脑。
P.S. 这与 "普遍退步等 "没有关系。(18)是一种粗略的机械性的价格方法，而这里则是根本性的统计。
不，问题并没有改变。这只是一个原子性的问题，不可分割。而为了获得整体情况，你也必须扫描Lag变量。
我可以把我几个月前的结果摘录出来，（但我的结果是文本形式的）。这不是相互的信息，就像topicstarter所拥有的，而是Matrix的频率。还有计算 "变量独立性的卡方检验 "统计量的结果（当时我还不知道什么是相互信息，但我已经在关注变量依赖性的共同衡量标准，并尝试了不同的标准）。尽管如此，这些数字也一点也不无聊。
我将在明天（我是说今天，但要晚一点）发布，因为我现在无法接触到进行计算的电脑。
P.S. 这与 "普遍退步等 "没有关系。(18)是一种粗略的机械性的价格方法，而这里则是根本性的统计。
(18)在ATS模式下给出的，即使不好，但结果，不使用止损和TP，并把你的精细统计方法带到这个水平，然后我们将进行比较。
黄金从2009年11月25日到2011年9月2日，H4，0.1手，最大跌幅10.32%，MO 27.6
没有争论，这一切都很有意义。让我们从第1点开始。
1."准确定义我们所采取的措施"： 首先--任务单元，然后是不可分割的一个。
修复整数滞后。它将是 "条形之间的距离"，即在MT4的指定时间框架内，其指数的差异模数。
目标：确定以下两个随机变量之间是否存在统计关系：1）指数为sh的 "主 "条的回归，以及2）指数为sh+Lag的 "从 "条的回归。
这就是我们采取的措施：所有的条形图之间的距离都等于拉格。它是非常精确的。
在哪里，有什么可怀疑的？让我们先来处理第一项。如果成功了--让我们继续讨论第二点。
它几乎是一个ACF，但公式不同。ACF是统计学的一个组成部分。它对寻找各种依赖关系很有帮助。自ARIMA出现以来，它在理论和实践中都得到了非常广泛的应用。任何新事物都必须首先指出与众所周知的、成熟的类似事物的相似和不同之处。如果不这样做，在伦敦最喧闹的房子里，这个想法是没有商量余地的。这就是我在这个话题中一直在谈论的。你应该总是从对文献的综述开始。在你的帖子中的引文中没有绕口令--没有集市。
下一步，我看到sh，我明白ACF是从sh=1开始计算的，而不是从一个任意的地方开始计算。但是有一个ACF。你的建议与此有什么相似或不同。只是不要用TI的话来混淆重点（BP中的依赖性）。
这不一定是一个ACF。关于ACF寻找各种依赖关系，你是大错特错的。看一下相关的 情况。在文章的结尾处，有相关分析的局限性，其中有图片。这就是为什么我放弃了ACF。用皮尔逊相关法检测的条形图之间的线性相关关系太弱，而且时间很短。
你应该总是从对文献的梳理开始。在你的帖子中的引文中没有绕口令--没有集市。
这样一来，我们将在很长一段时间内无法移动。但总的来说，我同意你的观点：仍然需要某种论证。我会考虑的--如果你对上一段的最后一句话不满意的话，关于线性依赖。
只是不要用TI的话来混淆重点（BP中的依赖性）。
所以你决定禁止我使用TI来寻找依赖性？
2 yosuf: 我不打算和你竞争。继续改进你的工具，但请不要进入这个主题。在这里，它是一个事后的想法。
找到一篇关于信息熵的文章（Wiki）。从那里引用1句话。
这就是熵，传统的熵。这就是你所解释的定义吗？
是的，我愿意同意字母表中的字母在统计学上应该是 独立的，这样就不会有冗余或依赖性。这大概就是存档者在做的事情，创建一个明显不同于用于创建文本的字母表。
但这不是我们要计算的!关于我们正在计算的内容，接下来。
专题组的谈话（我也是）不是关于信息熵的，而是，该死的，关于 相互信息 的（又是维基）！！！。
相互信息 是两个随机变量的统计函数，描述了一个随机变量相对于另一个变量所包含的信息量。
相互信息通过两个随机变量 的熵 和条件熵 定义为[接下来是I（X,Y）的公式
只是要指出，从同样的学说中可以看出，计算相互信息的公式可以是这样的。
相互信息（X和Y之间）= 熵（X）- 条件熵（X和Y之间）。
也就是说，如果我们不从美国的资料中写出看起来很可怕的公式，而是按照定义去做。
这里的X和Y是两个不同的系统，它们之间存在着一种依赖关系，即对X和Y的依赖关系。
如果我们想要总相互信息，那么它就像topicstarter的。
总的相互信息（X和Y之间）= 熵（X）+ 熵（Y）- 组合系统（X和Y）的熵
为什么写成 "组合系统的熵 "而不是 "条件熵"，因为事实上两个系统的总熵可以是独立的，也可以是条件的。很明显，如果X和Y是不相关的，而且是独立的，那么我们应该算作联合概率（熵加定理），如果有关系，则算作条件。
现在说说我们的利益。这整个绕过的过程如何能应用于市场。假设模型如下。有一个系统X--市场（字母表），它有有限的、确定的状态（符号）数量，以一定的频率（符号概率）出现。还有第二个系统Y--报价记录。引语（字母表）也有一套有限的具有一定频率的符号。从这一切中可以推断出什么？
1.你需要了解市场的英文字母。那里总是发生一些事情，买和卖，有人破产，有人拿出新钱，发生大规模的歇斯底里，等等。这就是说，字母表非常庞大，很难如此简单地描述。
2.即使有可能描述市场的字母，也有一个关于市场中发生的过程的静止性问题。应该理解，TI绝对是以属性的恒定性为导向的。
第二系统的字母表，引号。它与市场的字母表不同。可能已经是这样了。而且你需要知道是哪一个。如果我们简单地将时间框架上的报价变化范围划分为量值，并使其成为字母，我们会得到什么。更确切地说，我们是将信息从市场的字母表中全部或部分映射到报价的字母表中？什么部分的信息丢失了？ 或者，也许什么都没有丢失，市场的字母表只是多余的。等等。
这几乎不是ACF，甚至根本就不是ACF。而你关于ACF寻找各种依赖关系的说法是错误的。看一下相关的情况。在文章的结尾处，有相关分析的局限性，其中有图片。这就是为什么我放弃了ACF。我对通过皮尔逊相关检测到的柱状体之间的线性相关不感兴趣，因为它们太弱，而且时间很短。
相关性的精心设计是其强势的一面，但同时你也把相关性的已知局限性归结到了弱势的一面。但是，正是这些限制使我们能够对一个叫做 "ACF "的数量进行有意义的推理，对该数量的信心概率，计算该信心的条件，以及一般地评估对这些数量的任何推理的可允许性，取决于是否满足相关限制。即使掌握了一切，用工具武装起来，在实践中也会遇到严重的困难，不断陷入私通。
试着写出同样的主题的专题。
ACF相当具体地显示了趋势，并与ChAKF一起寻找周期。而 "信息依赖 "是什么，它是什么样的野兽，它是如何用引号或增量来显示的？有很多关于市场心理学的出版物，在那里可以找到对趋势和周期形成的解释，但 "信息依赖 "的心理学基础是什么，在哪些出版物上有记载？"信息依赖 "是否影响报价？在什么基础上可以相信所产生的图片？结果的可信度在哪里？这一切的适用条件在哪里？只是问题。这个话题让我越来越想起与hfenks的话题（如果我没记错的话），他也在不知不觉中在依赖关系的话题上弯了腰。
从论文的角度来看，完全是初步的，有科学新颖的迹象，但如果没有与相关的比较，这都是空洞的垃圾（对不起）。
只是要指出的是，从同样的学理出发，计算相互信息的公式可以是这样的。[...]
为什么写成 "合并系统的熵 "而不是 "条件熵"，因为事实上两个系统的总熵可能既独立又有条件。很明显，如果X和Y是不相关的、独立的，就应该算作联合概率（熵加定理），如果有联系，则算作条件。
我怀疑你会指出这一点。幸运的是，在任何情况下，通过概率（而不是熵）写成的公式都是一样的--不管有什么东西取决于什么或没有。所以这种推理没有增加任何新的内容。
有一个系统X--市场（字母表），它有有限的、明确的状态（符号）数量，这些状态以一定的频率（符号概率）出现。还有第二个系统Y--报价记录。引语（字母表）也有一套有限的具有一定频率的符号。从这一切中可以推断出什么？
完全正确。一半的terver/matstat讲的是中心极限定理及其影响，具体涉及正态分布。这是一个完美的 "工作化 "分布。然而，有一些随机变量即使在极限情况下也不遵守它。我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？
ACF相当具体地显示了趋势，并与CHAKF一起寻找周期。
在数据挖掘阶段，周期和趋势都还不值得关注。值得关注的是ACF原则上没有检测到的依赖关系。
而 "信息依赖 "是什么呢？"信息依赖 "是什么？"信息依赖 "是指什么？"信息依赖 "是指什么？"信息依赖 "是指什么？"信息依赖 "是指什么？有很多关于市场心理学的出版物，在那里可以找到对趋势和周期形成的解释，但 "信息依赖 "的心理学基础是什么，在哪些出版物上有记载？"信息依赖 "是否影响报价？在 什么基础上可以相信所产生的图片？结果的可信度在哪里？这一切的适用条件在哪里？这条线让我越来越想起hfenks的那条线（如果我没记错的话），他也在不知不觉中吐槽过依赖性。
你问了太多的问题。我问你：你知道至少有一个研究者，在开始做一些非常新、非常奇怪的事情之前，会先对新事物的适用性做一个完整的、绝对的证实--然后继续获得结果，其提示在一瞬间就闪现在他的脑海中？通常情况下是反过来的：首先，新的东西被应用，而不考虑证实和严谨性，然后，如果有有趣的东西出现，就开始证实。你明白我的意思吗？
说到hrenfx：他也做了基于皮尔逊相关的分析。
从论文的角度来看，完全是初步的，有科学创新的迹象，但如果没有与相关的比较，所有这些都是空洞的垃圾（对不起）。
没有什么大不了的。好吧，我们在这里讨论的不是一篇论文，而只是一个好奇的想法，未来可能会有一些东西出来。我很清楚，它可能不会。那么，为什么要把时间浪费在紧绷的理由上呢？
完全正确。terver/matstat的一半内容是关于中心极限定理和关于它们的含义，这些内容具体涉及到正态分布。这是一个完美的 "工作化 "分布。然而，有一些随机变量即使在极限情况下也不遵守它。我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？
在数据挖掘阶段，周期和趋势都还不值得关注。令人感兴趣的是ACF从根本上无法检测到的依赖关系。
你问了太多的问题。我也要问你：你知道至少有一个研究者，在开始做一件非常新、非常奇怪的事情之前，会先对这个新事物的适用性做一个完整的、百分之百的论证--然后再去获得结果，一瞬间就在他的脑子里闪过一丝丝的想法？通常情况下是反过来的：首先，新的东西被应用，而不考虑证实和严谨性，然后，如果有有趣的东西出现，就开始证实。你知道我的意思吗？
说到hrenfx：他也做了一个基于皮尔逊相关的分析。
没有什么大不了的。好吧，我们在这里讨论的不是一篇论文，而只是一个好奇的想法，未来可能会有一些东西出来。我很清楚，它可能不会。那么，为什么要把时间浪费在紧绷的理由上呢？
我为什么要专门处理皮尔逊相关关系，只是因为它是完美的工作原理？
实际上很有价值。而且，人们设法处理具有未知分布的非平稳随机过程。
通常情况下，它是反过来的：一开始，新的东西被应用，不考虑证据和各种限制，然后，如果得到了一些有趣的东西，就会有证据。你明白我的意思吗？
不，首先测量福特汽车，然后是其他一切。在我所参加的所有科学理事会中，你的这种发言将是最后一次。
那么，为什么要在捉襟见肘的理由上浪费时间呢？
伸展是没有必要的。但人们需要了解在与现有的比较层面上讨论的内容。
我怀疑你会指出这一点。幸运的是，在任何情况下，通过概率（而不是熵）写成的公式都是一样的--不管有什么东西取决于什么或没有。所以这种推理没有增加任何新的内容。
我认为，即使是错误的，公式的本质也不能改变，其适用的条件也不能改变，因为它是由其他符号写的。
我提请大家注意，这已经不是专题讨论会所考虑的制度了。我还没有天真到认真谈论学习市场的字母表。而且我试图为自己设定现实的目标。