beta

今天分享的是R语言中时间序列的有关内容。主要有：时间序列的创建，ARMA模型的建立与自相关和偏自相关函数。一、          时间序列的创建时间序列的创建函数为：ts().函数的参数列表如下：ts(data = NA, start = 1, end = numeric(),frequency = 1,  deltat = 1, ts.eps = getOption("ts.ep

写在前面的废话2014，又到了新的一年，首先祝大家新年快乐，也感谢那些关注我的博客的人。现在想想数据挖掘课程都是去年的事了，一直预告着，盘算着年内完工的分类算法也拖了一年了。本来打算去年就完成分类算法，如果有人看的话也顺带提提关联分析，聚类神马的，可是，。借着新年新气象的借口来补完这一系列的文章，可是，这明明就是在发。尽管这个是预告里的最后一篇，但是我也没打算把这个分类

文章出处：http://cos.name/cn/topic/3272/page/23、Cross Sectional Regression3.1 最小二乘法    有三种方式可以实现最小二乘法的简单线性回归，假设数据byu（1）lm(byu$salary ~ byu$age + byu$exper)（2）lm (salary ~ age + exper, data= b

这是我根据Applied Econometrics with R（springer）一书中线性回归（第三章）有关内容整理成的学习笔记，对书中的一些代码进行了解读，也根据我学到的回归知识添加了部分内容。笔记中的例子凡是书上给出过输出结果的，在这里一律省略，没给出结果的，附上结果及函数解读。这个并不是书内容的翻译，与原书有一定的出入。Chapter 3:线性模型需要加载函数包: AER

作业内容：1、重现《线性统计模型》（王松桂等）例3.1.32、模拟最小二乘法，并根据模拟结果得出估计系数与估计方差的一些结论，如无偏性等作业实现（仅供参考）#1y<-c(10.98,11.13,12.51,8.40,9.27,8.73,6.63,8.50,7.82,9.14,8.24,12.19,11.8,9.57,10.94,9.58,10.09,8.11,6.83,8.88

回归模型是计量里最基础也最常见的模型之一。究其原因，我想是因为在实际问题中我们并不知道总体分布如何，而且只有一组数据，那么试着对数据作回归分析将会是一个不错的选择。一、简单线性回归           简单的线性回归涉及到两个变量：一个是解释变量，通常称为x；另一个是被解释变量，通常称为y。回归会用常见的最小二乘算法拟合线性模型：yi = β0 + β1xi +εi其中β0和β1是

回归分析是计量与统计的一个核心话题。我的博客在这篇之前也写过两篇关于回归的文章：《R 语言与简单的回归分析》、《R语言与回归分析几个假设的检验》。后者很清楚的告诉了我们回归模型假设的严苛：响应变量不仅需要数值型的，而且还必须来自正态分布。但是在很多情况情况下他们是很难得到满足的：比如抽样调查时，我们经常只得到虚拟变量；再比如正态性的假设的同方差性极其难得。      我的博客之前贴出过回归分析

Bootstrap方法在之前的博文《R语言与点估计学习笔记（EM算法与Bootstrap法）》里有提到过，简而言之，bootstrap方法就是重抽样。为什么需要bootstrap方法呢？因为bootstrap方法使得我们无需分布理论的知识也可以进行假设检验，获得置信区间。当数据来自未知分布，或者存在严重异常点，又或者样本量过小，没有参数方法解决问题时，bootstrap方法将是一个很棒的方法。

作业内容：完成《线性统计模型》（王松桂等）习题6.4,6.6,6.9参考实现（use R）battery<-data.frame(X=c(40,48,38,42,45,46,26,34,30,28,32,33,39,40,48,50,50,52),A=gl(3,6))summary(aov(X~A,battery))TukeyHSD(aov(X~A,battery))ma

三、异常点        所谓的异常点一般指有着很大残差（绝对值）的点，如果对模型的参数估计值影响出现了比例失衡，那么我们称之为强影响点。为了说明异常点与强影响点的判别，我们特意采用模拟的数据来证实它。       为了简单起见，我们采用一元模型来说明问题。       模拟数据：（模型：y=0.5+1.7*x+e）x<-rexp(100,0.2)e<-rnorm(100)y

作业内容：研究用电高峰时居民家庭每小时的用电量Y 与每月总用电量X之间的关系。53户居民某月用电记录见\3-15.xlsx"，试完成以下统计分析：(1) 应用最小二乘法求经验回归方程；(2) 以拟合值^yi为横坐标，学生化残差ri为纵坐标，作残差图，分析Gauss-Markov假设对本例的适用性；(3) 考虑因变量的变换U = Y 1=2，再对新变量U和X重复(1)和(2)

一、从线性回归的假设说起         对于线性回归而言，若要求回归估计有一些良好性质比如无偏性，就需要加上一些假定条件。比如要达到估计的无偏性，我们通常需要加上高斯-马尔科夫条件：A1、对参数而言的线性性A2、样本的随机抽样性A3、误差的条件均值为0A4、不存在完全共线性A5、同方差假设       在上述条件上加上误差项服从正态分布，就得到了经典线性回归模型的6大

作业内容：数据：yx1x2x3x4x5271.8783.3533.5340.5516.6613.2264748.4536.536.1916.4614.11238.8684.4534.6637.3117.6615.68230.7827

作业内容：在http://stat.ethz.ch/R-manual/R-devel/library/datasets/html/longley.html中对数据Longley's Economic Regression Data进行了介绍，仔细阅读后做如下分析：(1) 检查复共线性；(2) 使用主成分回归解决复共线性，选择适当个数的主成分；(3) 使用岭回归解决复共线性，并采

ARMA模型的参数估计方法             ARMA参数估计和前面我们介绍的点估计内容相似，也介绍矩估计与最小二乘估计两种方法。           和上一次的点估计一样，这一次我分享的内容主要有：矩估计，最小二乘估计，一个应用例题            关于矩估计与最小二乘估计的基本思想，参见前面点估计的有关介绍.           A RMA 模型（Auto-Regr

机器学习中的一些方法如决策树，随机森林，SVM，神经网络由于对数据没有分布的假定等普通线性回归模型的一些约束，预测效果也比较不错，交叉验证结果也能被接受。下面以R中lars包包含数据集diabetes为例说明机器学习中的回归方法。一、数据集及交叉验证办法描述          Diabetes数据集包含在R的lars包中，数据分为x,y,x2三个部分，因变量为y,数据是关于糖尿病的血液化验