1 / 55

Mitteparameetriline regressioon II

Mitteparameetriline regressioon II. Algandmed. Local regression. Lokaalse regressioonisirge väärtuse määramine kohas x=0,7. Akna laiuse (h) valik. Akna laiuse (h) valik II. Algandmed. Tegelik seos. Lokaalne regr. + ristvalideerimine. Lokaalne regr. + ristvalideerimine. h valik x<20 pealt.

kalea
Download Presentation

Mitteparameetriline regressioon II

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Mitteparameetriline regressioon II

  2. Algandmed

  3. Local regression

  4. Lokaalse regressioonisirge väärtuse määramine kohas x=0,7

  5. Akna laiuse (h) valik

  6. Akna laiuse (h) valik II

  7. Algandmed

  8. Tegelik seos

  9. Lokaalne regr. + ristvalideerimine

  10. Lokaalne regr. + ristvalideerimine

  11. h valik x<20 pealt

  12. h valik x>20 pealt

  13. LOESS – 6 naabrit

  14. Loess-regressioon R’is Mudel = loess(y~x, span= 0.03, degree=1, control=loess.control(surface = c("direct"), statistics = c("exact") )) yprog=predict(Mudel, data.frame(x=xxx)) plot(x,y) lines(xxx,yprog, col="red")

  15. Kasutusnäide: lineaarse mudeli eelduste kontroll

  16. Näide 2

  17. Loess

  18. “Supersmoother” – muutuv h

  19. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  20. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  21. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  22. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  23. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  24. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  25. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  26. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  27. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil)

  28. Automaatse modelleerimise piirid I

  29. Polünoom: ohtlik piirkondades, kus vaatluseid vähe või pole...

  30. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  31. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  32. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  33. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  34. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  35. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  36. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  37. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  38. Mittelineaarse seose modelleerimisest (lineaarse mudeli abil, b-spline kasutades)

  39. Mittelineaarse seose modelleerimisest (2-järku b-splaini tuletis)

  40. Automaatse modelleerimise piirid

  41. Usaldusintervallid ja testid

  42. Meeldetuletuseks – tavaline regressioon Vabadusastmete arvu erinevus ~ parameetrite arvu erinevus Keerukama mudeli jääkide ruutude summa Lihtsama mudeli jääkide ruutude summa Vaatluste arv Eeldused: - sama hajuvus, sõltumatud vaatlused - keerukam mudel (mudel 2) on õige - lihtsam mudel erijuht keerukamast - (normaaljaotus, või suur valim...)

  43. Meeldetuletuseks – tavaline regressioon

  44. Meeldetuletuseks – tavaline regressioon

  45. Meeldetuletuseks – tavaline regressioon

  46. Tavaline regressioon vs polünoom Mudel 1 EY = β0 + β1 x df1=2 Mudel 2: EY = β0 + β1 x + ... + βk xk df2=k+1 Näitejoonisel df2 = 5

  47. Tavaline regressioon vs splain Mudel 1 EY = β0 + β1 x df = 2 Mudel 2 (1-järku splain): EY = β0 + β1 x + β2 (x-p1)Ix>p1 + ... df = murdepunkte + 2 Näitejoonisel: df=6 Eeldused: - sama hajuvus, sõltumatud vaatlused - keerukam mudel (mudel 2) on õige - lihtsam mudel erijuht keerukamast - (normaaljaotus, või suur valim...)

  48. Tavaline regressioon vs lokaalne regressioon Tavaline regressioon: Y = HY df = rank(H) = rank( X(XTX)-XT ) = trace(H) = trace(H∙HT) = trace(2H - H∙HT) = ... Lokaalne regressioon: Y = SY df1 = trace(S) df2 = trace(S∙ST) df3 = trace(2S - S∙ST)

  49. Lokaalne regressioonmudel vs lineaarne regressioon

  50. Ka usaldusintervall...

More Related