Pertanyaan yang diberi tag «dag»

Saya mulai mencoba-coba penggunaan glmnetdengan LASSO Regression di mana hasil yang saya minati menjadi dikotomis. Saya telah membuat bingkai data mock kecil di bawah ini: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, …

78 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

Dua variabel acak A dan B secara statistik independen. Itu berarti bahwa dalam DAG proses: dan tentu saja . Tetapi apakah itu juga berarti bahwa tidak ada pintu depan dari B ke A?(A⊥⊥B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)P(A|B)=P(A)P(A|B)=P(A)P(A|B)=P(A) Karena dengan begitu kita harus mendapatkan . Jadi jika itu masalahnya, apakah independensi statistik secara …

40 independence  causality  bayesian-network  dag 

Grafik asiklik terarah (DAG; misalnya, Greenland, et al, 1999) adalah bagian dari formalisme inferensial kausal dari interpretasi kontrafaktual dari kamp kausalitas. Dalam grafik ini keberadaan panah dari variabel AAA ke variabel BBB menyatakan bahwa variabel AAA secara langsung menyebabkan (beberapa perubahan dalam risiko) variabel BBB , dan tidak adanya panah …

17 interaction  causality  dag 

Grafik asiklik terarah (DAG) adalah representasi visual yang efisien dari asumsi kausal kualitatif dalam model statistik, tetapi dapatkah mereka digunakan untuk menyajikan persamaan variabel instrumen biasa (atau persamaan lainnya)? Jika ya, bagaimana caranya? Jika tidak, mengapa?

15 causality  instrumental-variables  dag 

Saya belajar Model Grafis Probabilistik , sebuah buku untuk belajar mandiri. Apakah tepi dalam grafik asiklik terarah (DAG) mewakili hubungan sebab akibat? Bagaimana jika saya ingin membangun jaringan Bayesian , tetapi saya tidak yakin tentang arah panah di dalamnya? Semua data akan memberi tahu saya adalah korelasi yang diamati, bukan …

13 causality  graphical-model  bayesian-network  dag 

Jika kita ingin menghitung efek kausal pada dalam grafik kausal di bawah ini, kita dapat menggunakan teorema penyesuaian pintu belakang dan teorema penyesuaian pintu depan, yaitu XXXYYYP(y|do(X=x))=∑uP(y|x,u)P(u)P(y|do(X=x))=∑uP(y|x,u)P(u)P(y | \textit{do}(X = x)) = \sum_u P(y | x, u) P(u) dan P(y|do(X=x))=∑zP(z|x)∑x′P(y|x′,z)P(x′).P(y|do(X=x))=∑zP(z|x)∑x′P(y|x′,z)P(x′).P(y | \textit{do}(X = x)) = \sum_z P(z | x) \sum_{x'} …

12 self-study  causality  graph-theory  dag 

Saya mengacu pada penyesuaian pintu belakang dan penyesuaian pintu depan di sini : Penyesuaian pintu belakang : Masalah epidemiologis pola dasar dalam statistik adalah menyesuaikan efek pengacau yang terukur. Kriteria pintu belakang Pearl menggeneralisasikan ide ini. Penyesuaian pintu depan : Jika beberapa variabel tidak teramati maka kita mungkin perlu menggunakan …

12 causality  dag 

Jika saya tertarik pada efek sebab akibat dari perubahan dalam suatu variabel (EEE) pada beberapa hasil (OOO), bagaimana saya menyatakan bahwa dalam grafik asiklik terarah (DAG)? Seharusnya ΔE2=E2−E1ΔE2=E2−E1\Delta E_2 = E_2 - E_1dimana E1E1E_1 & E2E2E_2 terjadi pada waktu 1 & 2, apakah DAG yang benar adalah: 1. Dengan asumsi …

8 time-series  dag