标签: coefficients

我使用以下代码与glmnet:

> library(glmnet)
> fit = glmnet(as.matrix(mtcars[-1]), mtcars[,1])
> plot(fit, xvar='lambda')

但是,我想打印最好的Lambda系数,就像在岭回归中一样.我看到以下适合的结构:

> str(fit)
List of 12
 $ a0       : Named num [1:79] 20.1 21.6 23.2 24.7 26 ...
  ..- attr(*, "names")= chr [1:79] "s0" "s1" "s2" "s3" ...
 $ beta     :Formal class 'dgCMatrix' [package "Matrix"] with 6 slots
  .. ..@ i       : int [1:561] 0 4 0 4 0 4 0 4 0 4 ...
  .. ..@ p       : int [1:80] 0 0 2 4 6 8 10 12 …

我想使用注视仪或类似工具在R的表中比较不同模型（lm，glm，plm，pglm）的结果。但是我找不到一种以科学计数法显示系数的方法。这是一个问题，因为截距相当大（大约一百万），而其他系数很小（大约e-7），这会导致大量无用的零，从而使表的读取变得更加困难。

我在这里发现了一个类似的问题：在texreg或stargazer R中将格式模型显示为科学。但是那里的结果需要重新缩放变量，并且由于我使用计数数据，所以我不想重新缩放它。

我很感谢任何建议。

我想执行Deming回归(或任何等效的回归方法,包括X和Y变量的不确定性,例如York回归).

在我的应用程序中,我有一个非常好的科学理由来故意将拦截设置为零.但是,我无法找到将其设置为零的方法,无论是在R包中deming,当我-1在公式中使用时都会出错:

df=data.frame(x=rnorm(10), y=rnorm(10), sx=runif(10), sy=runif(10))
library(deming)
deming(y~x-1, df, xstd=sy, ystd=sy)
Error in lm.wfit(x, y, wt/ystd^2) : 'x' must be a matrix

在其他包(如mcr::mcreg或IsoplotR::york或MethComp::Deming)中,输入是两个向量x和y,因此我无法输入模型矩阵或修改公式.

你对如何实现这个有任何想法吗？谢谢.

.summary()使用 pandas statsmodels的函数时，OLS 回归结果包括以下字段。

coef    std err          t      P>|t|      [0.025      0.975]

如何获得标准化系数（不包括截距），类似于 SPSS 中可实现的？

我已经为我的数据拟合了逻辑回归模型。想象一下，我有四个特征：1）参与者收到的条件，2）参与者是否对所测试的现象有任何先验知识/背景（实验后问卷中的二元反应），3）在实验任务上花费的时间，以及4) 参与者年龄。我试图预测参与者最终是选择选项 A 还是选项 B。我的逻辑回归输出以下特征系数 clf.coef_：

[[-0.68120795 -0.19073737 -2.50511774  0.14956844]]

如果选项 A 是我的正类，这个输出是否意味着特征 3 是二元分类中最重要的特征，并且与选择选项 A 的参与者有负相关（注意：我没有标准化/重新缩放我的数据）？我想确保我对系数的理解以及我可以从中提取的信息是正确的，因此我不会在我的分析中做出任何概括或错误假设。

谢谢你的帮助！

numpy.polynomial.polynomial.Polynomial我试图获取通过以下方法获得的系数fit：

import numpy.polynomial as poly

x = [1, 2, 3, 4, 5]
y = [16, 42.25, 81, 132.25, 196]

c = poly.Polynomial.fit(x, y, deg = 2)
print(c(5))
print(c)

这个小程序打印

196.00000000000006
poly([81. 90. 25.])

c(5)这是多项式系数（即2.25、7.5和 ）的正确值，但不是正确值6.25。如何获得实际系数？

如何在线性混合模型中为每个实验单元(图)提取系数(b0和b1)及其各自的标准误差,如下所示:

更适合线性模型

使用相同的数据集(df),对于拟合的模型(fitL1):我怎么能得到一个这样的数据框......

   plot    b0      b0_se   b1    b1_se 
    1    2898.69   53.85   -7.5  4.3

   ...    ...       ...     ...   ...

我在R中的glm函数有问题

具体来说,我不确定如何包含名义变量.

运行glm函数后我在R中得到的结果如下:

> df

   x1 x2 y
1  a  2  0
2  b  4  1
3  a  4  0
4  b  2  1
5  a  4  1
6  b  2  0

> str(df)
'data.frame':   6 obs. of  3 variables:
 $ x1: Factor w/ 2 levels "a","b": 1 2 1 2 1 2
 $ x2: num  2 4 4 2 4 2
 $ y: Factor w/ 2 levels "0","1": 1 2 1 2 2 1

Call: …

我想创建一个具有这样的浮点系数的多项式环。我可以使用整数创建，但是浮点数不起作用。

using Oscar

S, (a,b,c,d) = PolynomialRing(QQ,["a","b","c","d"])
RR = AbstractAlgebra.RealField
s1 = S( 8*a - RR(0.51234)*a*(1+RR(1/2)*a+RR(1/3)*b+RR(1/4)*c) - 8)
s2 = S( 8*b - RR(0.51234)*b*(1+RR(2/3)*a+RR(2/4)*b+RR(2/5)*c) - 8)
s3 = S( 8*c - RR(0.51234)*c*(1+RR(3/4)*a+RR(3/5)*b+RR(3/6)*c) - 8)
s4 = S( 8*d - RR(0.51234)*d*(1+RR(4/5)*a+RR(4/6)*b+RR(4/7)*c) - 8)

它给了我这个错误。我怎样才能创建这样的多项式。

ERROR: LoadError: MethodError: no method matching (::FmpqMPolyRing)(::BigFloat)
Closest candidates are:
  (::FmpqMPolyRing)() at ~/.julia/packages/Nemo/5CDLD/src/flint/fmpq_mpoly.jl:1063
  (::AbstractAlgebra.Ring)(::Singular.n_RingElem{Singular.RingElemWrapper{S, T}}) where {S, T} at ~/.julia/packages/Singular/uG7uo/src/number/n_unknown.jl:358
  (::AbstractAlgebra.Ring)(::Union{Singular.n_FieldElem{T}, Singular.n_RingElem{T}} where T) at ~/.julia/packages/Oscar/iRpOQ/src/Rings/mpoly.jl:736
  ...
Stacktrace:
 [1] *(x::BigFloat, y::fmpq_mpoly)
   @ AbstractAlgebra ~/.julia/packages/AbstractAlgebra/mQIYL/src/Rings.jl:84
 [2] top-level scope …

当以 n_splines=5 拟合线性GAM模型时python，拟合分段线性函数：

import statsmodels.api as sm
from pygam import LinearGAM

data = sm.datasets.get_rdataset('mtcars').data

Y = data['mpg']
X = data.drop("mpg",axis=1)

model = LinearGAM(spline_order=1,n_splines=5).fit(X, Y)

通过使用.coef拟合模型，可以恢复每个样条的系数以进行进一步分析：

model.coef_

然而，我们如何获得每个变量的 5 个样条曲线的截面呢？

例如，对于cyl变量，我们将拟合以下样条线：

这 5 个部分由结决定，因此，在图中我们将看到计算得出的 beta 的变量限制。（即：4-5,5-6,6-7,7-8）。

我在文档中找到的唯一方法model.edge_knots是

长度为 2 的浮点数的类似数组。样条函数的最小和最大域。

在此示例中，它对应于cyl[4,8]。