А с чего бы ему взяться? Тема-то - тупиковая.



Я по-прежнему не понимаю, как это при изучении траектории некоторой системы в фазовом пространстве вы все время сводите разговор на какие-то критерии, да еще и ориентированные на работу с выборками.

Ну, если душа так просит именно одновременного тестирования параметров положения и масштаба, то Кобзарь описывает комбинированный критерий Буша - Винда (Bush, Wieand, 1982) на с. 511) и V-критерий Бхапкара (Bhapkar, 1961) на с.514.

А вообще взять, скажем, критерий Смирнова, тестирующий нулевую гипотезу о том, что две скалярные выборки пришли из одного распределения. Если при неотвержении нулевой гипотезы сил нет как хочется считать это распределение масштабно-сдвиговым, то вот вам и тест на одновременное отсутствие сдвига и в параметре положения, и в параметре масштаба.

Блин, ogurtsov, а нельзя было дать ссылку на что-нибудь менее объемное? А то ж я все вынужден был прочитать )

В духе плаката Моора "Ты записался добровольцем?" так и хочется спросить: "А ты уже используешь пермутированные важности?". Ась?)

Дык какой же это, извиняюсь за выражение, "врач"? Это компьютерная программа, расточающая комплименты " ... и лично дорогому Василию Петровичу" по небрежно запрограммированному алгоритму.
Есть ощущение, что Anna_V все ж поумнее будет...

Похоже, passant начал что-то подозревать...

Опять же, тест Кохрана (cochranq.test() из {CVST}) никто не отменял...

Тогда маркируйте эти две совокупности 0 и 1 и обучайте на них любой бинарный классификатор, способный быстренько ответить на вопрос об относительной важности предикторов. Да хоть бы и логистическую регрессию.

Когда необходимо удержать на номинальном уровне значимости групповую ошибку I рода. Т.е. При множественных проверках одной и той же нулевой гипотезы на одном и том же экспериментальном материале.



Вы поняли неправильно.
Если вы изучаете одновременно 20 признаков, возникает многомерная статистика - т.е. статистика не скалярных величин, но векторов. Знать оттого надо один раз проверить равенство двух векторов признаков. Многомерным аналогом критерия Стьюдента в этой ситуации является критерий Хотеллинга. Непараметрический аналог - критерий Пури-Сена-Тамуры.



Тут вообще ничего не понял, но возможно вы и сами решите для себя этот вопрос, прочитав предыдущие ответы.

А я в виде ответной любезности напоминаю, что когда вы получите на 2-3 стратах ансамбль классификаторов, прежде чем предъявлять его мне, не забудьте предварительно усредниться по ансамблю. Иначе я точно расстроюсь.

"Я ухожу - легка моя дорога;
Теперь пойду по новому пути.
Таких, как вы, себе найду я много,
Таких, как я, вам больше не найти"

Народная песня.

"Ах, обмануть меня не трудно -
Я сам обманываться рад" ©

Ну вот, господа кластеризаторы и примкнувшие к ним нейросетевики )

А ларчик-то просто открывался: исследователь понимает, что на некоторых тестовых выборках прогноз будет неудовлетворительным. Отсюда все разговоры про заранее неизвестное число кластеров-сегментов в выборке, на которых "поведение классов будет..."В общем, что-то будет. В этой связи он желает выбросить все те наблюдения, которые искажают его картину мира. Сместив тем самым выборку и осознанно повысив переобученность модели. При этом напрочь забымши о том, что кросс-валидация модели основана на повторных выборках (выборках с возвращением).

Действительно, а что еще делать, если ЭВМ показывает не то, что нужно?
Главное в этой истории - потом гордо написать в резюме "работаю и на Питоне и на R".

Smeilz, надеюсь вам понятно, что все, что вы делаете, - из серии "как не надо заниматься статистикой"?

Только, чур, без обид.

Мерси.
Досадно только, что я уже много лет никак не могу въехать в теорию этого Gifi-transformation, чтобы сделать его для себя самому...

Nokh, а это пакет {homals}, да? А то я уже что-то забывать стал...

passant,

поскольку Андрей (Огурцов) ничего ошибочного, вроде бы, не сказал, фразу



принимаю исключительно на свой счет и настоящим сообщаю, что я рад буду ошибиться.

А словоблудливую ботяру из предыдущей ветки


я же и спугнул. Жаль модераторы потерли... Такой коммент был...

А вот по поводу ваших несбывшихся ожиданий имею-таки сказать следующее: в соседней теме про СOVID-19 - там, похоже, вся тема создана таким "явлением".

А вы, ребята, судя по всему, тест Тьюринга не проходите: не можете отличить имитацию от нормального "белкового" юзера. И ваша профессиональная разговорчивость взяла-таки верх: начали вежливо да тактично лекцыи читать этому клону.

А надо бы по принципу "Еще я всякую х...ню на Вы не называл"(с). Не подумайте, что сквернословлю. Из анекдота, знаете ли, слова выкинуть еще труднее, чем из песни.

В этой связи у меня вопрос: форум - фсё?

Как скоро эти интернет-боты загадят весь форум до антисанитарного состояния и при единодушном одобрямсе тутошних модеров выживут отсюда своей назойливой рекламой "коллектива, возглавляемого сами-знаете-кем" (где собраны кудесники "многомерных методов получения продуктивных результатов", тех немногих старожилов, которые еще как-то пытаются гальванизировать этого покой... (дальше неразборчиво)?

Вестимо, обострение классовой борьбы...

А мне очень интересно, как скоро в этой теме появится один из бесчисленных клонов лёвы_биостата и пробухтит нам чё-нить ужасно познавательное по поводу логистической регрессии и "многомерных методов продуктивного анализа"?

Ух, ты!
Эти теперь к ирисам Фишера добавится жимолость Нохрина.
Завидовать будэм! (с)

Вас понял.

А что это за объекты? Вареники, пельмени, моллюски, инфузории-туфельки?
Я только сейчас заметил, что на рисунке они, оказывается, пронумерованы.




Пример с летчиками доказывает, прежде всего то, что доверительное множество для многомерного параметра не сводится совокупности доверительных интервалов для индивидуальных координат вектора признаков. А то, что среднее не является членом вариационного ряда, мы знаем и без этого примера. Тому лейтенанту ничто не мешало искать многомерную медиану или многомерную моду. Правда, задача эта - нетривиальная.

Nokh, так мы ищем типичного среди этих 54?
Если да, то просьба указать, какой парень на прилагаемом изображении претендует на эту роль?

К слову, в этой книженции параграф 4.4. как раз посвящен анализу матриц дистанций

Это зависит от того, на каком множестве ищется упомянутая медиана/среднее Кемени: я-то искал наиболее типичный объект "внутри" выборок. Т.е., н-р, для ирисов Фишера в выборке сетоз таким способом можно найти по признаковому описанию наиболее характерный, ака типичный, цветок.

Расстояние Махаланобиса же - это расстояние между двумя многомерными выборками. Если типичный объект ищется именно на множестве выборок, это означает, что, для ирисов мы пытаемся найти некий "типичный" сорт? И что в таком случае понимать под "типичностью"? Распространенность? Типа для Гренландии типичен сорт Setosa, а для Антарктиды - Virginica? ) Или морфологическое сходство? Типа, вот Versicolor - самые "ирисистые" ирисы, а всё прочее - ненастоящие ирисы?



Если координаты вектора признакового описания коррелируют между собой - это может обернуться вычислительными проблемами при Махаланобисе. Ну, а уж если они связаны функциональной зависимостью - тогда это расстояние и вовсе не удастся вычислить. Поэтому, надо оставить то, что является в этой истории истинно случайной величиной: периметр- так периметр, площадь - так площадь, а если кривизна вычисляется через них - она не несет никакой статистической информации. Вот такое вот снижение размерности. Из серии "закат Солнца вручную".

Я бы составил матрицу попарных евклидовых расстояний между объектами (в имеющемся пространстве признаков), затем счел бы, что типичный объект - это тот, расстояние от которого до всех остальных - минимальное (по аналогии с медианой или средним Кемени). Ну а дальше в матрице расстояний нашел бы строку (или столбец, что равносильно в силу симметричности матрицы расстояний) с минимальной строчной суммой.

#нуачотакова

Это вы всё с ТМФ мучаетесь?

У Гланца все детально описано. Стр. 150-153

А не лепо ли бяше вам, братья, просто посчитать это в R (fisher.test())? Ну, чтобы не изобретать очередное не идеально ровное колесо?

/жуя попкорн/

Robotnik,

в вашем случае не нужно:

а) проверять заведомо дискретное распределение на нормальность;
б) пытаться его центрировать с помощью выборочной медианы и ДИ к ней;
в) считать выбросами все то, что вам не понравилось или не вписывается в буколическую картину мира.

Нужно:

исходя из вероятностно-статистической модели порождения данных (полиномиальное распределение) просто определить эмпирическую вероятность наблюдения
1 повреждения p(1)=68/400=,17
2 повреждений p(2)=69/400=,1725
3 повреждений p(3)= ?, etc.

Результат оформить в виде соответствующей гистограммы.

И считать, что мир устроен именно так.

И вся любовь.