Смешанная модель и псевдорепликация |
Здравствуйте, гость ( Вход | Регистрация )
Смешанная модель и псевдорепликация |
30.04.2020 - 16:08
Сообщение
#1
|
|
Группа: Пользователи Сообщений: 95 Регистрация: 27.12.2015 Пользователь №: 27815 |
Всем доброго дня!
Прошу помочь/подсказать с решением следующей задачи. Дано: 1. Четыре оценки рейтинговых агентств по итогам года (type, year, rate). 2. В каждом году есть оценки (псевдо)экспертов, которые представлены в виде смеси их оценок (neg = log(neg/neu), pos = log(pos/neu), исходные значения - хитрые проценты, которые в сумме давали 100) (expert, neg, pos). 3. Всего в наличии три(!) года наблюдений. Вопрос: можно ли каким-то образом связать оценки экспертов с рейтинговыми данными? Сочинить смешанную модель с бета-распределением не хватает навыка. Смотрел single-case analysis и arima - остро не хватает данных.
Прикрепленные файлы
|
|
7.05.2020 - 23:15
Сообщение
#2
|
|
Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
так как тут помочь? связи никакой в данных нет кроме годов общих
две вот эти таблицы по сути каноническую корреляцию по трем строкам (года) с пропущенными значениями в довесок посчитать разве что? ))) Код > acast(expert, type ~ year, value.var="rate", median)
2015 2017 2019 a 0.7500000 0.1578947 0.7894737 d 0.6930000 0.7500000 0.7720000 n 0.8750000 0.9583333 0.9583333 r 0.9761905 0.9761905 0.9761905 > acast(expert, expert ~ year ~ type, value.var="neg") , , a 2015 2017 2019 exp_1 -1.5177168 -1.2039728 -0.5773154 exp_10 NA -1.4663371 -0.5653138 exp_11 NA -2.0149030 -2.0794415 exp_12 -1.3862944 1.3862944 -2.4423470 exp_13 0.2744368 -0.4054651 -0.6931472 exp_14 -2.0149030 -1.6094379 -2.3025851 exp_15 -1.3247816 -2.0946317 -1.4136933 exp_16 -2.5649494 -2.5649494 -2.3025851 exp_17 NA -1.0986123 -1.3862944 exp_18 -0.9162907 -2.1400662 -2.5520460 exp_19 0.0000000 -1.6094379 -0.6931472 exp_2 -0.9162907 -2.3025851 -2.5649494 exp_20 -0.9985288 -0.1541507 0.4054651 exp_21 -0.6190392 0.0000000 0.5596158 exp_22 -1.7047481 -2.5649494 -1.3862944 exp_23 -1.9459101 -2.9444390 -3.4339872 exp_3 NA NA -4.5432948 exp_4 -1.5968591 -3.2958369 -1.5892352 exp_5 -2.2553322 -2.2512918 1.2237754 exp_6 -2.3025851 -2.6390573 -1.6094379 exp_7 NA -1.9459101 -3.6109179 exp_8 -0.9162907 -1.6094379 0.0000000 exp_9 NA -0.5108256 -1.9459101 , , d 2015 2017 2019 exp_1 -1.5177168 -1.2039728 -0.5773154 exp_10 NA -1.4663371 -0.5653138 exp_11 NA -2.0149030 -2.0794415 exp_12 -1.3862944 1.3862944 -2.4423470 exp_13 0.2744368 -0.4054651 -0.6931472 exp_14 -2.0149030 -1.6094379 -2.3025851 exp_15 -1.3247816 -2.0946317 -1.4136933 exp_16 -2.5649494 -2.5649494 -2.3025851 exp_17 NA -1.0986123 -1.3862944 exp_18 -0.9162907 -2.1400662 -2.5520460 exp_19 0.0000000 -1.6094379 -0.6931472 exp_2 -0.9162907 -2.3025851 -2.5649494 exp_20 -0.9985288 -0.1541507 0.4054651 exp_21 -0.6190392 0.0000000 0.5596158 exp_22 -1.7047481 -2.5649494 -1.3862944 exp_23 -1.9459101 -2.9444390 -3.4339872 exp_3 NA NA -4.5432948 exp_4 -1.5968591 -3.2958369 -1.5892352 exp_5 -2.2553322 -2.2512918 1.2237754 exp_6 -2.3025851 -2.6390573 -1.6094379 exp_7 NA -1.9459101 -3.6109179 exp_8 -0.9162907 -1.6094379 0.0000000 exp_9 NA -0.5108256 -1.9459101 , , n 2015 2017 2019 exp_1 -1.5177168 -1.2039728 -0.5773154 exp_10 NA -1.4663371 -0.5653138 exp_11 NA -2.0149030 -2.0794415 exp_12 -1.3862944 1.3862944 -2.4423470 exp_13 0.2744368 -0.4054651 -0.6931472 exp_14 -2.0149030 -1.6094379 -2.3025851 exp_15 -1.3247816 -2.0946317 -1.4136933 exp_16 -2.5649494 -2.5649494 -2.3025851 exp_17 NA -1.0986123 -1.3862944 exp_18 -0.9162907 -2.1400662 -2.5520460 exp_19 0.0000000 -1.6094379 -0.6931472 exp_2 -0.9162907 -2.3025851 -2.5649494 exp_20 -0.9985288 -0.1541507 0.4054651 exp_21 -0.6190392 0.0000000 0.5596158 exp_22 -1.7047481 -2.5649494 -1.3862944 exp_23 -1.9459101 -2.9444390 -3.4339872 exp_3 NA NA -4.5432948 exp_4 -1.5968591 -3.2958369 -1.5892352 exp_5 -2.2553322 -2.2512918 1.2237754 exp_6 -2.3025851 -2.6390573 -1.6094379 exp_7 NA -1.9459101 -3.6109179 exp_8 -0.9162907 -1.6094379 0.0000000 exp_9 NA -0.5108256 -1.9459101 , , r 2015 2017 2019 exp_1 -1.5177168 -1.2039728 -0.5773154 exp_10 NA -1.4663371 -0.5653138 exp_11 NA -2.0149030 -2.0794415 exp_12 -1.3862944 1.3862944 -2.4423470 exp_13 0.2744368 -0.4054651 -0.6931472 exp_14 -2.0149030 -1.6094379 -2.3025851 exp_15 -1.3247816 -2.0946317 -1.4136933 exp_16 -2.5649494 -2.5649494 -2.3025851 exp_17 NA -1.0986123 -1.3862944 exp_18 -0.9162907 -2.1400662 -2.5520460 exp_19 0.0000000 -1.6094379 -0.6931472 exp_2 -0.9162907 -2.3025851 -2.5649494 exp_20 -0.9985288 -0.1541507 0.4054651 exp_21 -0.6190392 0.0000000 0.5596158 exp_22 -1.7047481 -2.5649494 -1.3862944 exp_23 -1.9459101 -2.9444390 -3.4339872 exp_3 NA NA -4.5432948 exp_4 -1.5968591 -3.2958369 -1.5892352 exp_5 -2.2553322 -2.2512918 1.2237754 exp_6 -2.3025851 -2.6390573 -1.6094379 exp_7 NA -1.9459101 -3.6109179 exp_8 -0.9162907 -1.6094379 0.0000000 exp_9 NA -0.5108256 -1.9459101 |
|
7.05.2020 - 23:33
Сообщение
#3
|
|
Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
Вопрос: можно ли каким-то образом связать оценки экспертов с рейтинговыми данными? Сочинить смешанную модель с бета-распределением не хватает навыка. Смотрел single-case analysis и arima - остро не хватает данных. медитируйте над результатом ps похоже 19ый скоррелировал с "агенствами" )) Сообщение отредактировал p2004r - 7.05.2020 - 23:36 |
|