Si se usa una variable de factor (por ejemplo, género con los niveles M y F) en la fórmula glm, se crean variables ficticias, y se pueden encontrar en el resumen del modelo glm junto con sus coeficientes asociados (por ejemplo, genderM) Si, en lugar de confiar en R para dividir el factor de esta...
Al codificar características categóricas para la regresión lineal, hay una regla: el número de dummies debe ser uno menos que el número total de niveles (para evitar la colinealidad). ¿Existe una regla similar para los árboles de decisión (en bolsas, potenciados)? Pregunto esto porque una...
He tenido problemas con el siguiente problema, espero que sea fácil para los estadísticos (soy un programador con cierta exposición a las estadísticas). Necesito resumir las respuestas a una encuesta (para la administración). La encuesta tiene más de 100 preguntas, agrupadas en diferentes áreas...
Tengo un conjunto de datos que contiene variables categóricas y variables continuas. Se me aconsejó transformar las variables categóricas como variables binarias para cada nivel (es decir, A_level1: {0,1}, A_level2: {0,1}). Creo que algunos han llamado a esto "variables ficticias". Dicho esto,...
¿Hay algún método directo para transformar los datos de nivel ordinal en nivel de intervalo (al igual que para hacerlo al revés)? ¿Y realizable en Excel o SPSS? Teniendo los datos, digamos: 10 preguntas en el nivel ordinal (digamos escala 0-5, donde 0 = "en absoluto", 5 = "todo el tiempo"), quiero...
Tengo datos de ventas diarias de un producto que es altamente estacional. Quiero capturar la estacionalidad en el modelo de regresión. He leído que si tiene datos trimestrales o mensuales, en ese caso puede crear 3 y 11 variables ficticias respectivamente, pero ¿puedo tratar con datos...
Estoy tratando de hacer predicciones usando un modelo de bosque aleatorio en R. Sin embargo, obtengo errores ya que algunos factores tienen valores diferentes en el conjunto de prueba que en el conjunto de entrenamiento. Por ejemplo, un factor Cat_2tiene valores 34, 68, 76, etc., en el conjunto de...
Encajo un modelo con un factor con muchos niveles y R tarda mucho tiempo en adaptarse a ese modelo. ¿Por qué es esto? Por ejemplo, si calculo una regresión para predecir los salarios de los jugadores e incluyo un factor predictivo para las respectivas nacionalidades de los jugadores, eso tomaría...
Tengo un gran conjunto de datos de mercado agregado sobre las ventas de vino en los EE. UU. Y me gustaría estimar la demanda de ciertos vinos de alta calidad. Estas cuotas de mercado se derivaron básicamente de un modelo de utilidad aleatorio de la forma , donde incluye las características del...
Nota: esta pregunta es una nueva publicación, ya que mi pregunta anterior tuvo que ser eliminada por razones legales. Al comparar PROC MIXED de SAS con la función lmedel nlmepaquete en R, me topé con algunas diferencias bastante confusas. Más específicamente, los grados de libertad en las...
Nunca estoy seguro de cuándo usar una codificación única para variables categóricas no ordenadas y cuándo no. Lo uso cuando el algoritmo usa una métrica de distancia para calcular la similitud. ¿Alguien puede dar una regla general sobre qué tipos de algoritmos requerirían que las características...
Tengo un conjunto de datos con 8000 clústeres y 4 millones de observaciones. Desafortunadamente, mi software estadístico, Stata, funciona bastante lento cuando uso su función de datos de panel para la regresión logística: xtlogitincluso con una submuestra del 10%. Sin embargo, cuando se utiliza la...
No sé qué función de distancia entre individuos usar en caso de atributos nominales (categóricos no ordenados). Estaba leyendo un libro de texto y sugieren una función de coincidencia simple , pero algunos libros sugieren que debería cambiar los atributos nominales a binarios y usar el coeficiente...
Parece que puede usar la codificación para una variable categórica, pero tengo dos variables predictoras categóricas y una variable continua. ¿Puedo usar la regresión múltiple para esto en SPSS y, de ser así, cómo?
Sea una distribución conjunta de dos variables categóricas X , Y , con x , y ∈ { 1 , ... , K } . Digamos que se tomaron n muestras de esta distribución, pero solo se nos dan los recuentos marginales, es decir, para j = 1 , ... , K :px , ypagX,yp_{x,y}X, YX,YX,YX,y∈ { 1 ,
Tengo un conjunto de datos muy grande y faltan alrededor del 5% de valores aleatorios. Estas variables están correlacionadas entre sí. El siguiente conjunto de datos R de ejemplo es solo un ejemplo de juguete con datos correlacionados ficticios. set.seed(123) # matrix of X variable xmat <-...
Ya he leído todas las páginas de este sitio tratando de encontrar la respuesta a mi problema, pero nadie parece ser el correcto ... Primero te explico el tipo de datos con los que estoy trabajando ... Digamos que tengo un vector de matriz con varios nombres de ciudad, uno para cada uno de los 300...
Tengo una tabla de contingencia de tres niveles, con datos de conteo para varias especies, la planta huésped de la cual fueron recolectadas y si esa recolección ocurrió en un día lluvioso (¡esto realmente importa!). Usando R, los datos falsos podrían ser algo como esto: count <- rpois(8,...
Me gustaría ejecutar una regresión logística ordinal en Python, para una variable de respuesta con tres niveles y con algunos factores explicativos. El statsmodelspaquete admite modelos logit binarios y logit multinomiales (MNLogit), pero no logit ordenado. Dado que la matemática subyacente no es...
¿Se pueden usar variables categóricas en la agrupación jerárquica? He escuchado que solo se usan variables continuas, pero he visto personas que discuten variables categóricas que pueden o no usarse también. ¿Alguien puede dar una idea?