精华内容
下载资源
问答
  • 虚拟变量作为自变量,放在回归方程中在教科书里面讲的都很多,笔者以前在学习的时候觉得虚拟变量较之方差分析,还有更多惊喜。谢宇老师的《回归分析》书中对虚拟变量做了高度的总结与归纳。 虚拟变量回归只能做...


          虚拟变量作为自变量,放在回归方程中在教科书里面讲的都很多,笔者以前在学习的时候觉得虚拟变量较之方差分析,还有更多惊喜。谢宇老师的《回归分析》书中对虚拟变量做了高度的总结与归纳。


          之后在文章末提到一个应用:

          应用一:使用dummy包设置哑变量


          虚拟变量回归只能做其他类和参照类的比较。

           同时,虚拟变量+交互项,效果更是惊人,关于交互项可以参考: 

    笔记︱横截面回归模型中的两大方向(交互效应+随机性)


    ——————————————————————————————————————————


    1、虚拟变量的设置


    虚拟变量(哑变量)是一种对名义变量进行分类、并重编码。

    比如性别  x1=1/0,1就代表为男生,0为女生。

    如何把虚拟变量放入方程中,可是一门大学问。


    如果是名义变量转化过来的要注意截距项的有无、共线性问题:

    名义变量转化的一个例子就是大学四年级。那么把四个年级分为四个虚拟变量,多了四个变量:

    D1=1,是大一,否则为0;   D2=1,是大二,否则为0;
    D3=1,是大三,否则为0;   D4=1,是大三,否则为0。



    如果四个都放进去+截距项=完全多重共线性;正确的做法是:


    放三个变量(D1D2D3)+截距项,Y~b0+b1D1+b2D2+b3D3;

    或者四个变量+不加截距项,Y~b1D1+b2D2+b3D3+b4D4。


    ——————————————————————————————————————————


    2、虚拟变量回归中的参照组的选择与截距项的含义——差异量化


    Y~b0+b1D1+b2D2+b3D3    这个中D4就作为参照组,如果是大学四年就是其他变量跟四年级比较。

    若Y代表收入,

    截距项b0代表D4,四年级的平均人均收入,如果案例是100个学生,就代表四年级每个人的平均收入;

    b1就代表D1-D4的平均收入,代表一年级与四年级的人均平均收入的差值,bo+b1代表一年级同学平均收入状况。

    b1将两个年级的差异进行量化。


    同时b1的T检验,代表着,D1-D4,一年级与四年级平均值差异的显著性。跟方差分析差不多。


    ——————————————————————————————————————————


    3、虚拟变量*连续变量结合——更多惊喜


    sex代表性别,senior代表高中与否,exp代表工作年限,y变量为收入。


    可以综合来看,不同类别下的工作年限的现状。

    如果有交互项,交互项的系数与显著性会更有趣。反映了连续变量某状态差别的显著性。




    ——————————————————————————————————————————


    以下是一张虚拟变量回归对比方差分析的区别图:




    ——————————————————————————————————


    应用一:使用dummy包设置哑变量


    install.packages("dummies")
    library(dummies)
    students <- read.csv("data-conversion.csv")
    
    students.new <- dummy.data.frame(students, sep = ".")
    names(students.new)
    
    dummy(students$State, sep = ".")
    
    students.new1 <- dummy.data.frame(students,
                      names = c("State","Gender") , sep = ".")


    本应用来自与经管之家一个坛友所著:http://bbs.pinggu.org/thread-4938771-1-1.html




    展开全文
  • 目录标题一元线性回归回归系数的解释核心解释变量和控制变量四类模型回归系数的解释虚拟变量的解释多分类的虚拟变量设置含有交互项的自变量容易出现的问题拟合优度 R平方较低怎么办异方差的问题自相关的问题逐步回归...

    一元线性回归

    在这里插入图片描述

    回归系数的解释

    在这里插入图片描述
    在这里插入图片描述
    用人话讲就是说,最后的μ变量包含了你没有考虑到的但会对结果Y产生影响的因素,如果影响大,回归系数的偏差就大!

    核心解释变量和控制变量

    无内生性(no endogeneity)要求所有解释变量均与扰动项不相关。

    这个假定通常太强,因为解释变量一般很多(比如,5‐15个解释变量),

    且需要保证它们全部外生。
    是否可能弱化此条件?答案是肯定的,如果你的解释变量可以区分为核心解释变量与控制变量两类。

    1. 核心解释变量:我们最感兴趣的变量,因此我们特别希望得到对其系数的一致估计(当样本容量无限增大时,收敛于待估计参数的真值 )。

    2. 控制变量:我们可能对于这些变量本身并无太大兴趣;而之所以把它们也放入回归方程,主要是为了 “控制住” 那些对被解释变量有影响的遗漏因素。

    在实际应用中,我们只要保证核心解释变量与𝝁不相关即可。

    四类模型回归系数的解释

    1、一元线性回归:𝑦 = 𝑎 + 𝑏𝑥 + 𝜇,x每增加1个单位,y平均变化b个单位;
    在这里插入图片描述

    2、双对数模型:𝑙𝑛𝑦 = 𝑎 + 𝑏𝑙𝑛𝑥 + 𝜇,x每增加1%,y平均变化b%
    在这里插入图片描述

    3、半对数模型:𝑦 ൌ 𝑎 ൅ 𝑏𝑙𝑛𝑥 + 𝜇,x每增加1%,y平均变化b/100个单位;
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述

    虚拟变量的解释

    在这里插入图片描述

    多分类的虚拟变量设置

    探讨我国P2P网络贷款中是否存在显著的地域歧视问题
    在这里插入图片描述

    含有交互项的自变量

    在这里插入图片描述

    容易出现的问题

    拟合优度 R平方较低怎么办

    在这里插入图片描述

    异方差的问题

    横截面数据容易出现异方差的问题

    在这里插入图片描述
    怎么解决异方差:
    (1)使用OLS + 稳健的标准误
    如果发现存在异方差,一 种处理方法是,仍然进行OLS 回归,但使用稳健标准误。这是最简单,也是目前通用的方法。只要样本容量较大,即使在异方差的情况下,若使用稳健标准误,则所有参数估计、假设检验均可照常进行。

    (2)广义最小二乘估计法GLS
    原理:方差较小的数据包含的信息较多,我们可以给予信息量大的数据更大的权重(即方差较小的数据给予更大的权重)

    缺点:我们不知道扰动项真实的协方差矩阵,因此我们只能用样本数据来估计,这样得到的结果不稳健,存在偶然性

    自相关的问题

    时间序列数据容易出现自相关的问题

    逐步回归分析

    1. 向前逐步回归Forward selection:将自变量逐个引入模型,每引入一个自变量后都要进行检验,显著时才加入回归模型。

    (缺点:随着以后其他自变量的引入,原来显著的自变量也可能又变为不显著了,但是,并没有将其及时从回归方程中剔除掉。)

    1. 向后逐步回归Backward elimination:与向前逐步回归相反,先将所有变量均放入模型,之后尝试将其中一个自变量从模型中剔除,看整个模型解释因变量的变异是否有显著变化,之后将最没有解释力的那个自变量剔除;此过程不断迭代,直到没有自变量符合剔除的条件。

    (缺点:一开始把全部变量都引入回归方程,这样计算量比较大。若对一些不重要的变量,一开始就不引入,这样就可以减少一些计算。当然这个缺点随着现在计算机的能力的提升,已经变得不算问题了)
    在这里插入图片描述

    展开全文
  • 引言前几章涉及的自变量都为定量变量,本章将讨论... 虚拟变量与定量变量的交互作用,并应用邹至庄检验来检验各组是否存在显著差异 线性概率模型(本文不涉及) C7.1#(1) data_gpa1('/home/wangjianlong/files/pro

    引言

    前几章涉及的自变量都为定量变量,本章将讨论定性变自变量。主要内容包括:

    单个虚拟变量区分两个组
    g-1个虚拟变量来区分g个组
    用虚拟变量来解释序数变量
    虚拟变量与定量变量的交互作用,并应用邹至庄检验来检验各组是否存在显著差异
    线性概率模型(本文不涉及)

    本章Rmd文本以及所有整理好当数据见这里

    C7.1 虚拟变量回归与联合变量显著检验

    #(1)
    data_gpa1<-read.csv('/home/wangjianlong/files/programs/college_life/econometrics/excel_data_1/gpa1.csv',header = T)
    lm_gpa1<-lm(colGPA~PC+hsGPA+ACT+mothcoll+fathcoll,data = data_gpa1)
    summary(lm_gpa1)
    #colGPA=1.255554+0.151854 PC+ 0.450220hsGPA+0.007724ACT+-0.003758 mothcoll+0.041800fathcoll
    #Adjusted R-squared:  0.1934 n=141
    #当其他条件不变时,拥有PC的比不拥有PC的colGPA平均高出0.151854.
    #给定0.05的显著性水平 PC的P值为0.011小于0.05,故PC是统计显著的。
    #(2)
    lm_gpa1_1<-lm(colGPA~PC+hsGPA+ACT,data = data_gpa1)#求约束方程的R squared
    summary(lm_gpa1_1)# R squared 为0.2194
    ##F-value = 
    ((0.2222-0.2194)/2)/((1-0.2222)/135)#0.2429931
    ##p value 为
    1-pf(0.2429931,2,135)#0.7846192
    ##由于P值较大,可以说两个变量联合不显著
    #(3)
    lm_gpa1_2<-lm(colGPA~PC+hsGPA+ACT+mothcoll+fathcoll+I(hsGPA^2),data = data_gpa1)
    summary(lm_gpa1_2)
    ##没必要进行扩展 ,一方面加入后一次项和二次项变得不显著
    ##另一方面,hsGPA呈现出U形变化,在hsGPA=2.68出现转折,这不好解释

    C7.2二次项变量以及交互虚拟变量设定

    #(1)
    data_wage2<-read.csv('/home/wangjianlong/files/programs/college_life/econometrics/excel_data_1/wage2.csv',header = T)
    lm_wage2<-lm(log(wage)~educ+exper+tenure+married+black+south+urban,data =data_wage2)
    summary(lm_wage2)
    ##log(wage)=5.395497+0.065431educ+0.014043 exper+0.011747 tenure+0.199417married-0.188350black-0.090904south+0.183912urban
    ##Adjusted R-squared:  0.2469 n=935
    ##在其他条件保持不变的情况下,平均来说,黑人比非黑人工资少18.8%.
    #(2)
    lm_wage2_1<-lm(log(wage)~educ+exper+tenure+married+black+south+urban+I(exper^2)+I(tenure^2),data =data_wage2)
    summary(lm_wage2_1)#R-squared 为0.255
    #F值为
    ((0.255-0.2526)/2)/((1- 0.255)/925)#1.489933
    1-pf(1.489933,2,925)#p值为0.2259282
    #即使给予20%的显著性水平,由于P值大于20%,不拒绝原假设,所以它们不是联合显著的
    #(3)
    lm_wage2_2<-lm(log(wage)~educ+exper+tenure+married+black+south+urban+black:educ,data =data_wage2)
    summary(lm_wage2_2)
    ##交互项表明同样多增加一年的教育,平均来说,与黑人的教育回报比非黑人少2.3%.
    ##但由于P值较大,没有理由拒绝原假设,故种族并不影响教育回报率。
    #(4)
    ##我们选择单身非黑人为基组
    data_wage2$black<-as.factor(data_wage2$black)#black因子化
    data_wage2$married<-as.factor(data_wage2$married)#married因子化
    dmy<-dummyVars(~lwage+educ+exper+tenure+south+urban+black:married,data=data_wage2)
    data_wage2_1<-data.frame(predict(dmy,newdata=data_wage2))
    #改名字
    names(data_wage2_1)[7]<-'single_nonblack'
    names(data_wage2_1)[8]<-'single_black'
    names(data_wage2_1)[9]<-'married_nonblack'
    names(data_wage2_1)[10]<-'married_black'
    lm_wage2_3<-lm(lwage~educ+exper+tenure+south+urban+single_black+married_nonblack+married_black,data =data_wage2_1)
    summary(lm_wage2_3)
    ##lwage=5.403793+ 0.065475educ+0.014146exper+0.011663tenure-0.091989south+0.184350urban-0.240820single_black+0.188915married_nonblack+0.009448married_black
    ##已婚黑人与非已婚黑人相差
    0.009448- 0.188915  #0.18
    #工资回报相差18%

    C7.3 对数函数系数当精确解释以及联合变量检验

    data_mlb1<-read.csv('/home/wangjianlong/files/programs/college_life/econometrics/excel_data_1/mlb1.csv',header = T)
    lm_mlb1<-lm(log(salary)~years+Gamesyr+bavg+hrunsyr+rbisyr+runsyr+fldperc+allstar+frstbase+scndbase+thrdbase+shrtstop+Catcher,data=data_mlb1)
    summary(lm_mlb1)
    ##Catcher的p值为0.054,给定0.06的显著性水平,也能拒绝原假设
    ##保持其他变量不变,平均来说,接球手比非接球手工资高
    100*(exp(0.25)-1)#28.40254%
    ##平均高28%这个差异确实比较大
    #(2)
    ##假设:h0:b9=b10=b11=b12=b13=0
    lm_mlb1_1<-lm(log(salary)~years+Gamesyr+bavg+hrunsyr+rbisyr+runsyr+fldperc+allstar,data=data_mlb1)#受约束方程当R squared
    summary(lm_mlb1_1)#0.6445
    ((0.6535-0.6445)/5)/((1-0.6535)/344)#1.787013
    #P值为
    1-pf(1.787013,5,344)#0.114809
    ##给定5%当显著性水平,不拒绝原假设,即各个位置当平均薪水没有什么差别
    #(3)
    #两者给出的结论大致相同,因为题2中当给出当强度很弱

    C7.4 交互虚拟变量设定

    data_gpa2<-read.csv('/home/wangjianlong/files/programs/college_life/econometrics/excel_data_1/gpa2.csv',header = T)
    #(1)
    #B3与B4可以确定,B3是负的,B4是正的
    #一般我们会考虑运动员成绩相比非运动员成绩差点,B6是负的
    #性别和学校毕业人数不好说
    #(2)
    lm_gpa2<-lm(colgpa~hsize+I(hsize^2)+Hsperc+sat+female+athlete,data=data_gpa2)
    summary(lm_gpa2)
    ##colgpa=1.241-0.05685hsize-0.00467I(hsize^2)-0.0132Hsperc+0.00164sat+0.1549female+0.01693athlete
    #Adjusted R-squared:  0.2915 n=4137
    ##在其他条件保持不变当情况下,运动员成绩比非运动员成绩高0.1693
    ##由于p值较小,拒绝b6为0当假设,认为b6在统计上是显著当。
    #(2)
    lm_gpa2_1<-lm(colgpa~hsize+I(hsize^2)+Hsperc+female+athlete,data=data_gpa2)
    summary(lm_gpa2_1)
    #去掉sta以后,athlete系数当P值变得相当大,已经没有理由去拒绝原假设。
    #原因是当我们不控制sat变量时,平均来讲运动员实际分数比非运动员低。
    #(3)
    data_gpa2$female<-as.factor(data_gpa2$female)#black因子化
    data_gpa2$athlete<-as.factor(data_gpa2$athlete)#married因子化
    dmy<-dummyVars(~colgpa+hsize+I(hsize^2)+Hsperc+sat+female:athlete,data=data_gpa2)
    data_gpa2_1<-data.frame(predict(dmy,newdata=data_gpa2))
    head(data_gpa2_1)
    #改名字
    names(data_gpa2_1)[6]<-'male_nonath'
    names(data_gpa2_1)[7]<-'female_nonath'
    names(data_gpa2_1)[8]<-'male_ath'
    names(data_gpa2_1)[9]<-'female_ath'
    ##我们选择female_nonath作为基组
    lm_gpa2_2<-lm(colgpa~hsize+I(hsize^2)+Hsperc+sat+male_nonath+male_ath+female_ath,data=data_gpa2_1)
    summary(lm_gpa2_2)#
    ##保持其他变量不变,女生运动员比非女生运动员当colgpa平均高0.01751
    #(5)
    lm_gpa2_3<-lm(colgpa~hsize+I(hsize^2)+Hsperc+sat+female+athlete+female:sat,data=data_gpa2)
    summary(lm_gpa2_3)
    ##由于P值太大不能拒绝两者交互的系数为0当原假设
    ##且系数较小,即使加入作用也非常有限

    C7.5略

    C7.6 邹至庄检验两个方程是否相等

    data_sleep75<-read.csv('/home/wangjianlong/files/programs/college_life/econometrics/excel_data_1/sleep75.csv',header = T)
    male_sleep75<-data_sleep75[which(data_sleep75[,'Male']==1),]
    female_sleep75<-data_sleep75[which(data_sleep75[,'Male']!=1),]
    ##男性估计
    lm_sleep75_male<-lm(sleep~totwrk+educ+age+I(age^2)+yngkid,data = male_sleep75)
    summary(lm_sleep75_male)
    #sleep=3648.20826 -0.18212totwrk-13.05238educ+ 7.15659age-0.04477I(age^2)+ 60.38021yngkid
    ##女性估计
    lm_sleep75_female<-lm(sleep~totwrk+educ+age+I(age^2)+yngkid,data = female_sleep75)
    summary(lm_sleep75_female)
    #sleep=4238.72933 -0.13995totwrk-10.20514educ-30.35657age- 0.36794I(age^2)-118.28256yngkid
    ##截距项与孩子个数对睡眠时间有较大影响
    #(2) 题目不太理解,所以直接对第一题当方程进行了邹至庄检验
    library(gap)#
    x1<-data.frame(totwrk=male_sleep75$totwrk,educ=male_sleep75$educ,educ2=(male_sleep75$educ)^2,yngkid=male_sleep75$yngkid)
    x2<-data.frame(totwrk=female_sleep75$totwrk,educ=female_sleep75$educ,educ2=(female_sleep75$educ)^2,yngkid=female_sleep75$yngkid)
    chow.test(male_sleep75$sleep,as.matrix(x1),female_sleep75$sleep,as.matrix(x2))#邹至庄检验
    #由于P值为0.035小于5%当显著性水平,故拒绝原假设,认为两者睡眠方程不相等。
    #(3)
    lm_sleep75<-lm(sleep~Male+totwrk+educ+age+I(age^2)+yngkid+Male*totwrk+Male*educ+Male*age+Male*I(age^2),data = data_sleep75)#未约束方程
    summary(lm_sleep75)#R-squared:  0.1272
    lm_sleep75_1<-lm(sleep~Male+totwrk+educ+age+I(age^2)+yngkid,data = data_sleep75)#约束方程
    summary(lm_sleep75_1)#R-squared:  0.1228
    ((0.1272-0.1228)/5)/((1-0.1272)/695)#F临界值0.7007333
    1-pf(0.7007333,5,695)#p值为0.6230248
    #由于P值较大,所以不是联合显著的

    剩下的题目大同小异,这里不再赘述。

    展开全文
  • 虚拟变量陷阱(Dummy Variable Trap)

    千次阅读 2019-09-26 16:46:08
    虚拟变量陷阱(Dummy Variable Trap):指当原特征有m个类别时,如果将其转换成m个虚拟变量,就会导致变量间出现完全共线性的情况。 假设我们有一个特征“性别”,包含男性和女性两个类别,如果将此特征转换为2个...

    虚拟变量陷阱(Dummy Variable Trap):指当原特征有m个类别时,如果将其转换成m个虚拟变量,就会导致变量间出现完全共线性的情况。

     

    假设我们有一个特征“性别”,包含男性和女性两个类别,如果将此特征转换为2个虚拟变量,就是:男x1=[1,0],女x2=[0,1],意思就是:变量x1,当性别为男时,x1=1,否则x1=0;变量x2,当性别为女时,x2=1,否则x2=0。这样,目标y=w1x1+w2x2+b。因为x1+x2=1,因此,变量x1和变量x2之间存在线性关系,同时使用这两个变量将会导致共线性问题,使得模型参数无法估计。

     

    解决的办法是:把目标y变成y=w1(x1+x2)+(w2-w1)x2+b=(w2-w1)x2+w1+b,意思就是把其中一个变量作为基准(这里是把“男”作为基准),将其从目标方程式中删去,这样只通过一个变量x2就能推导出所有信息,x2=1就表示性别为女,x2=0则表示性别为男。

     

    需要注意的是,针对二元定性变量到虚拟变量的转换,直接对类别进行数字编码(男:0,女:1)和将其转换为虚拟变量(男:[0],女:[1])看似一样,但这只是一个巧合而已,这两种方法有本质的区别。前者是直接将类别型变量转变成离散值进行表示,后者是减少一个变量(作为基准),只留取一个变量,在此基础上对另一个变量进行推论。一定要注意不要搞混了。

     

    总结来说就是:当原特征有m个类别时,我们需要将其转换成m-1个虚拟变量。

     

    还有一点需要注意的是,基准类别该如何选择?如果基准类别选择不合理,虚拟变量之间仍然会存在共线性的问题。这里直接给出结论:选择占比最大的类别作为基准类别。假设有a,b,c三个类别,如果基准类别a占比太少,那么即使把a去除,b和c之和也会接近于1。

     

    参考:https://cloud.tencent.com/info/a018bd66948cd1ac84665f6fafc2082a.html

    转载于:https://www.cnblogs.com/HuZihu/p/11330853.html

    展开全文
  • 作者:胡杰 (中山大学岭南学院本科...在对有组别或者等级的数据进行处理时,常常需要利用虚拟变量和交乘项来探究各组之间或各等级之间的结构性的差异(Structural Difference) 例: 探究婚姻对女性工资造成的结构性...
  • Steam VR虚拟现实手柄交互

    千次阅读 2019-01-12 12:44:10
    Steam vr虚拟现实手柄交互功能总结。 1、使用插件。 SteamVR_Unity_Toolkit+SteamVR Plugin; 2、行走区域设置。
  • 交互式进程:直接与用户进行交互的进程,(要求最好能够更加有限的被CPU处理)。 批处理进程:在后台默默做循环工作的进程。 环境变量:配置系统运行环境参数的变量。 环境变量优点使系统运行环境配置更加简单灵活,...
  • 创建哑变量(虚拟变量)的基本操作--一个变量2. 创建哑变量(虚拟变量)的基本操作--多个变量3. 考虑交互作用 前言 哑变量(DummyVariable) 引入哑变量的目的:将不能够定量处理的变量进行量化,在线性回归分析...
  • 文章目录0 本文简介1 分类变量1.1 One-Hot编码1.2 数字可以编码分类变量2 分箱、离散化、线性模型与树3 交互特征与多项式特征3.1 交互特征3.2 多项式特征4 单变量非线性变换5 自动化特征选择5.1 单变量统计5.2 基于...
  • 之前的snull只能自娱自乐,我们来实现一个可以和外部通讯的虚拟网卡。 这个虚拟网卡参考了vlan协议实现。 重点我们说四个东西,引用真实的网卡、自定义协议号注册、发送和接受。 Linux-3.0.8 引用真实的网卡: ...
  • 数字控件相当于c语言和java中的int类型,文本控件相当于String 四、变量 1、新建一个变量控件,注意:va+数字开头的为变量控件,这是控件的名称,你可以自己修改 变量的位置很隐蔽,请看下面的箭头指向的位置,除了...
  • 文章目录1、安装插件并激活1.1 安装并激活 jupyter_contrib_nbextensions1.2 安装并启用 Jupyter Nbextensions ...Table of Content2.4 变量查看器 Variable Inspector2.5 代码格式化 Code prettify问题解决2.
  • Lua C++交互机制

    千次阅读 2017-08-16 16:13:46
    一、Lua与C++的交互机制——Lua堆栈1)交互机制Lua和C++ 的交互机制的基础在于Lua提供了一个虚拟栈,C++ 和Lua之间的所有类型的数据交换都通过这个栈完成 栈中每个元素都能保存任何类型的Lua值(实际上Lua的任何类型...
  • 虚拟仿真实验教学解决方案(BJBR)》 《虚拟仿真实验教学解决方案(BJBR)》 版本 作者 参与者 完成日期 备注 YanlzVR_BJBR_V01_1.0 ...
  • C与Lua交互交互原理

    千次阅读 2018-02-28 16:04:21
    lua作为脚本语言,就是用来扩展宿主程序或者嵌入到宿主程序中的,这里宿主程序使用C来讲解下Lua与C交互的原理。在这之前先讲下C语言是如何调用函数以及函数参数的。C函数和参数的调用我们都知道C语言的函数调用时...
  • Lua和C如何交互(一)

    2018-01-18 08:44:30
    Lua和C/C++语言交互的主要方法是一个无处不在的虚拟栈,栈的特点是先进后出. 在Lua中,Lua堆栈就是一个struct 堆栈索引的方式可是是正数也可以是负数 正数索引1永远表示栈底,负数索引-1永远表示栈顶 ...
  • Shell编程之变量

    2021-03-08 21:10:15
    本文主要对Shell中的变量进行简单总结,另外本文所使用的Linux环境为CentOS Linux release 8.1.1911,所使用的Shell为bash 4.4.19(1)-release。
  • R语言中哑变量的设置

    万次阅读 多人点赞 2019-01-30 15:51:26
    在构建回归模型时,如果自变量X为连续性变量,回归系数β可以解释为:在其他自变量不变的条件下,X每改变一个单位,所引起的因变量Y的平均变化量;如果自变量X为二分类变量,例如是否饮酒(1=是,0=否),则回归系数...
  • 2.生成虚拟变量 3.生成交互项 4.egen命令介绍 1. _n与_N的使用 定义:Stata中_n是样本的序号(变量),_N是样本数(单值)。 _n永远存在,但不能被list命令显示。 _n会随着变量的排序而变化 下面举例说明 ...
  • 《BJBR虚拟仿真解决方案(描述精选)》 《BJBR虚拟仿真解决方案(描述精选)》 版本 作者 参与者 完成日期 备注 YanlzVR_BJBR_VIP_V01_1.0 ...
  • Ansible 中变量及加密

    千次阅读 2021-05-10 21:13:09
    Ansible 中变量及加密1. 变量命名2. 变量级别3. 变量设定和使用方式JINJA2模板j2模板书写规则#j2模板在playbook中的应用# #playbook1#playbook2Ansible的加密控制 1. 变量命名 只能包含数字,下划线,字母 只能用...
  • 人机交互技术复习资料

    千次阅读 2019-06-29 00:51:15
    Introduction 人机交互介绍 Design principles and usability principles 设计原则与可用性原则 Conceptualizing Interaction 概念化交互 Identifying needs and establishing requirements 确定需要并建立需求 ...
  • 交互式shell和非交互式shell、登录…

    千次阅读 2014-11-25 18:11:31
    交互式shell和非交互式shell、登录shell和非登录shell的区别。 首先,这是两个不同的维度来划分的,一个是是否交互式,另一个是是否登录。 交互式shell和非交互式shell 交互式模式就是shell等待你的输入,并且...
  • 在这篇文章中,我将会就我在公司实践中学习到的虚拟人技术和阅读、调研中了解到的虚拟人技术,阐述当前虚拟人技术的大致研究情况与方向和该技术与虚拟现实的融合,并表达我个人对于虚拟人在虚拟现实中应用的分析与理...
  • Linux环境变量PATH

    千次阅读 2018-12-26 09:30:35
    PATH环境变量定义了用于进行命令和程序查找的目录。 PATH中的目录使用冒号分隔。 在 shell 中输入 " echo $PATH " 可以查看PATH 中的值。 如果命令或者程序的位置没有包括在PATH变量中,那么如果不使用...
  • 入门指南本文档介绍如何使用实验性的 Cardboard SDK for Android 创建您自己的虚拟实境 (VR) 体验。 Android 演示版应用:Treasure Hunt本教程中的代码示例摘自“Treasure Hunt”Android 演示版应用。Cardboard 是...
  • RabbitMQ环境变量设置

    万次阅读 2017-11-28 11:12:58
    RabbitMQ的配置可以由三种方式进行定制。...环境变量 配置文件 运行时参数和策略 (1)环境变量: 定义端口、配置文件的位置(rabbitmq.config)和名值对(可以通过shell,也可以通过rabbitmq-env.conf)
  • 虚拟存储器

    千次阅读 2014-01-11 22:03:33
    包括存放在存储器中的程序代码(可执行二进制文件)和数据,栈、通用寄存器的内容、程序计数器、环境变量以及打开文件描述符的集合。  进程的地址空间如图所示   1、栈区(stack)—由编译器自动分配释放,存放函数...
  •  注意:在图片虚拟目录中,一定将图片目录分级创建(提高i/o性能),一般按照日期创建;    上传思路:  1)存储的物理路径  2)拿到原始名称 getOriginalFileName()  3)新的图片名称 UUID....
  • 1.6.2 默认的shell环境变量与path变量的设置  1.默认的shell环境变量  bashshell默认将使用一些特定的环境变量来定义系统环境。随时都可以依靠这些Linux系统中的设置的变量。由于bash shell派生自原Unix Bourn ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 87,349
精华内容 34,939
关键字:

交互虚拟变量