logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

时间序列分析(13)| 误差修正模型、协整检验(完结篇)

本篇为「时间序列分析」系列推文的最后一篇。1 协整的概念「协整」(cointegrated)描述的是两个及以上时间序列变量之间的关系。若一个时间序列变量的阶差分是平稳的,则称该变量为阶单整;若多个阶时间序列变量的线性组合的单整阶数小于,则称这些变量具有协整关系,记作;由线性组合的系数组成的向量称作「协整向量」(cointegrating vector)。对于两个变量来说,...

#python#机器学习#java +2
spatialreg | 空间滞后模型、空间误差模型和空间杜宾模型简单形式的R语言实现...

旧文重发,原文链接:https://mp.weixin.qq.com/s/pHRS9BfkCMe1uQOSkHmqAw关于空间计量模型,小编是通过阅读勒沙杰(James LeSage)和佩斯(R.Kelley Pace)合著的《空间计量经济学导论》(Introduction of Spatial Econometrics)入门的,但是当时着重的是理解这些模型,并没有用代码...

#python#机器学习#人工智能 +1
showtext | R语言绘图字体设置——针对Windows系统

R语言绘图的字体设置是个老大难的问题,它默认情况下只提供三种字体。本篇推文介绍两种字体设置方法(针对Windows系统),一种是R语言本身的字体设置方法,另一种是showtext等工具包提供的相关方法。1 系统设置方法1.1 「原生样式」R语言系统自有的三种字体可以通过windowsFonts()语句查看:windowsFonts()##$serif##[1]...

#python#linux#java +2
ggplot2 | aes_string和aes函数有什么区别?

1 两个函数的区别aes_string()函数和aes()函数的功能是一致的,都是ggplot2绘图系统中用来引用具有映射关系的变量的函数。区别在于使用方法不同:aes()函数引用变量时不需要加引号;aes_string()函数则需要加引号。library(ggplot2)ggplot(mtcars,aes(mpg,qsec))+geom_point()+...

#python#java#javascript
技巧 | ggplot2绘图如何添加多块矩形框标注

在绘图时,对于需要进行强调的区域通常会使用矩形框对其高亮显示。本篇就来介绍在ggplot2绘图系统中,如何方便地添加多块矩形框。「矩形函数」在ggplot2工具包中,一共有三个矩形函数:geom_rect()、geom_tile()、geom_raster()。它们的帮助文档也在同一界面,其描述部分(Description)译成中文如下:❝geom_rect()和geom...

#python#机器学习#javascript +1
spatialreg | 空间滞后模型(SLR)、空间误差模型(SEM)和空间杜宾模型(SDM)的简单形式的R语言实现...

关于空间计量模型,小编是通过阅读勒沙杰(James LeSage)和佩斯(R.Kelley Pace)合著的《空间计量经济学导论》(Introduction of Spatial Econ...

#python#机器学习#人工智能 +1
splines | 多项式回归和样条曲线回归

当变量之间存在非线性关系时,线性回归就不再适用,这时可以转而使用其他非线性模型。但是,线性回归毕竟是统计建模的基础,通过本篇的介绍,可以看到即使是非线性关系有时也可以通过变换然后使用线性回...

#python#jquery#机器学习 +1
时间序列分析(7)| ADF检验

上篇介绍了DF检验,该检验仅用于AR(1)过程的单位根检验,对于AR()过程来说,需要使用拓展DF检验(augmented Dickey-Fuller,ADF)。1 模型检验形式AR()过...

#python#java#算法 +1
ggplot2 | R语言中的配色方法汇总(Ⅲ):ggplot2的颜色标度函数

3 ggplot2工具包在前面几篇推文中,介绍的配色方法都是通过将已生成的颜色序列赋值给绘图函数的参数来实现,这也是一种比较容易理解的方式。而在ggplot2绘图系统中,除这种方式外,还可...

#python#css
MASS | 广义线性模型(四)——负二项回归

本篇是“广义线性模型”系列推文的最后一篇,来介绍另外一种重要的广义线性模型:负二项回归。同泊松回归一样,负二项回归也是计数模型。由于泊松回归的内在要求是因变量的数学期望和方差相等,而当数据...

#python#机器学习#神经网络 +1
暂无文章信息