精华内容
下载资源
问答
  • T检验显著性检验根据t值计算p

    千次阅读 2020-03-17 09:09:55
    使用scala进行T检验,独立样本T...t根据均值、自由度、方差可以直接计算,由t值计算p利用了java的math3,maven配置添加下面内容即可: <dependency> <groupId>org.apache.commons</groupI...

    使用scala进行T检验,独立样本T检验(independent samples t-test)中的异方差公式如下:


    详细参考内容见链接

    t值根据均值、自由度、方差可以直接计算,由t值计算p值利用了java的math3,maven配置添加下面内容即可:

    <dependency>
        <groupId>org.apache.commons</groupId>
        <artifactId>commons-math3</artifactId>
        <version>3.6.1</version>
    </dependency>

    相关api参考cumulativeProbability方法

     
    展开全文
  • 如下图所示,为分段线性拟合工具的界面(文末有下载地址),主要用来计算气温、降水等多年来分段线性变化趋势,原因是气温和降水等的变化在某个年份会存在突变,分段线性拟合变化趋势会比较准确的拟合变

    分段线性回归:是用虚拟变量估计不同数量水平的解释变量对被解释变量的影响。在经济关系中,当解释变量X的值达到某一水平X′之前,与被解释变量之间存在某种线性关系;当解释变量X的值达到或者超过X′以后,与被解释变量的关系就会发生变化。此时,如果已知X的转折点X′,我们就可以用虚拟变量来估计每一段的斜率,也就是所谓的分段线性回归。

    如下图所示,为分段线性拟合工具的界面(文末有下载地址),主要用来计算气温、降水等多年来分段线性变化趋势,原因是气温和降水等的变化在某个年份会存在突变,分段线性拟合变化趋势会比较准确的拟合变化趋势。

    下面以实际的案例俩说明分段线性拟合工具的详细使用说明。如下图所示为某个气象台站102年以来气温的平均最低值和最高值:

    展开全文
  • Mann-Kendall非参数检验法。该方法适用于任何分布形式的时间序列,同时不受少数异常的干扰,因而被广泛应用在水文气象序列趋势分析中,本程序可自动计算序列变化趋势
  • Matlab用不同公式计算Π

    千次阅读 2019-11-12 21:21:43
    变化图:此部分将展示出各公式计算Π时,随着迭代次数的变化,Π的变化趋势图。 公式:此部分将展示出各个计算公式,便于使用者理解。 参数设置:使用者可在此部分设置所需要展示的公式以及迭代次数(默认为100次...

    GUI界面介绍

    • 变化图:此部分将展示出各公式计算Π时,随着迭代次数的变化,Π值的变化趋势图。
    • 公式:此部分将展示出各个计算公式,便于使用者理解。
    • 参数设置:使用者可在此部分设置所需要展示的公式以及迭代次数(默认为100次)。
    • Π值显示:此部分将展示各公式计算出的Π值,默认保留小数点后9位,便于通过数值比较各公式间的精度。

    四个计算公式

    在这里插入图片描述

    GUI效果图

    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

    部分代码

    % 四种方法计算Π的公式
    % Formula1
    function PI = Formula1(n)
    PI=1;a=1;item=1;f=1;
    for i=1:n
        a=a+2;
        f=-f;
        item=f*(1/a);
        PI=PI+item;
    end
    digits(10);  % 设置精度
    PI=vpa(PI*4);
    % Formula2
    function PI = Formula2(n)
    PI=1;a=1;item=1;
    for i=1:n
        item=(a+1)*(a+1)/(a*(a+2));
        PI=PI*item;
        a=a+2;
    end
    digits(10);
    PI=vpa(PI*2);
    % Formula3
    function PI = Formula3(n)
    PI=1;a=0;b=1;item=1;
    for i=1:n
        a=a+1;
        b=b+2;
        item=item*(a/b);
        PI=PI+item;
    end
    digits(10);
    PI=vpa(PI*2);
    % Formula4
    function PI = Formula4(n)
    PI=1;a=1;item=1;
    for i=1:n
        item=1+1/(a*(a+2));
        PI=PI*item;
        a=a+2;
    end
    digits(10);
    PI=vpa(PI*2);
    
    function pbtShow_Callback(hObject, eventdata, handles)
    choice=round(get(handles.FormulaChoice,'Value'));
    %disp(choice)
    N=round(str2num(get(handles.epoch,'String')));
    switch choice
        case 1
            for i=1:N
                PI(i)=Formula1(i);
            end
            sLegend='Formula1';
        case 2
            for i=1:N
                PI(i)=Formula2(i);
            end
            sLegend='Formula2';
        case 3
            for i=1:N
                PI(i)=Formula3(i);
            end
            sLegend='Formula3';
        case 4
            for i=1:N
                PI(i)=Formula4(i);
            end
            sLegend='Formula4';
        case 5
            for i=1:N
                PI(1,i)=Formula1(i);
                PI(2,i)=Formula2(i);
                PI(3,i)=Formula3(i);
                PI(4,i)=Formula4(i);
            end
            sLegend={'Formula1','Formula2','Formula3','Formula4'};
        otherwise
            disp('Please choice correct parameter !');
            return;
    end
    % 显示Π变化趋势图
    axes(handles.axes1);
    plot(1:N,PI);% 绘图
    line([1,N],[pi,pi],'color','r','linestyle',':');% 显示参考线
    ylim([2.6,3.6]);% 对Y轴设定显示范围 
    legend(sLegend);
    xlabel('epoch');
    ylabel('value');
    
    % 显示某一公式计算出的Π值
    if choice < 5
        set(handles.showpi,'String',char(PI(N))); 
    else
        set(handles.showpi,'String',''); 
    end
    
    展开全文
  • 背景:美国人口 BMI 趋势尚未得到准确估计,因为时间序列数据不可用且重点是计算周期效应。 目的:估计 1882 年至 1986 年出生的按性别和种族分层的出生队列的 BMI 变化趋势和速率。 方法:我们使用黄土加性...
  • 作者:chen_h 微信号 &...我们还会利用 Python 来计算任何股票的 beta 。接下来,让我们开始吧,来编写 Python 程序。 什么是 beta ? 基准投资组合(标普 500 指数)或者市场投资组合所表现出来...

    作者:chen_h
    微信号 & QQ:862251340
    微信公众号:coderpai


    在这篇文章中,我们将强调理解股票市场中 beta 的重要性,以及我们如何来使用 beta 来对冲市场风险。我们还会利用 Python 来计算任何股票的 beta 值。接下来,让我们开始吧,来编写 Python 程序。

    什么是 beta 值?

    基准投资组合(标普 500 指数)或者市场投资组合所表现出来的风险称为系统风险。beta 是衡量任意个股或者投资组合风险的指标。换句话说,它衡量任何证券对于整体市场波动的波动性。接下来,让我们更加直观的理解 beta 。

    考虑到谷歌公司的每日回报。如果谷歌股票的 beta 值是 1.5,那么,如果市场的回报率是 10%,那么谷歌股票的回报率将是 15%。换句话说,谷歌股票的回报率超过市场的 50%,谷歌的 alpha 回报是 5%。现在,如果市场下跌 5%,那么谷歌股票将下降 7.5% 也就是比市场多跌 50%。谷歌股票的市场价值变化乘以其 beta 来估计其未来的变动。因此,谷歌股票是一个高 beta 的股票。

    同样,如果任何股票的 beta 值为 0.75,那么它的波动性将低于市场。如果市场的日内涨幅为 10%,那么低 beta 值的股票将仅仅获得 7.5% 的收益。低 beta 股票对于降低市场风险非常有用。这是因为,如果市场下跌 5%,那么股票只会下跌 3.75%,这在市场下跌趋势中,是非常有用的。

    首先,让我们在 Python 中导入数据并且绘制谷歌和标普500的每日回报。

    在这里插入图片描述

    在这里插入图片描述

    从图中我们可以看出,谷歌股票的回报波动比较大(蓝色),标普500的回报波动比较小(橙色)。

    如何计算 beta 值

    计算 beta 的最常用方法之一是使用资本资产定价模型(CAPM)。CAPM 模型如下:

    E (Ra) = Rf + Ba [ E (Rm) - Rf]
    

    CAPM模型表明资产 E(Ra)的预期收益等于市场的无风险收益加上市场预期收益与无风险收益之间的差值(E(Rm)-Rf)乘以资产的 beta 值。所以,我们就可以通过这个公式来求得资产的 bata 值,如下:

     Ba = [E (Ra) - Rf] / [ E (Rm) - Rf]
    

    我们甚至可以通过回归分析技术找到 beta 值。当我们试图捕捉变量 x 和 y 之间的数学关系时,通过散点图来拟合线,多项式或曲线。这样人们可以对给定的 x 和 y 做出相当好的预测,那么,在 x 和 y 之间导出这样一个方程的数学过程称为回归分析。这个方程也可以通过使用基于机器学习的回归模型得出。

    如果我们师徒通过这个散点图来拟合线,那么我们可以得到一个最简单的线性回归模型。

    线性回归假定因变量和自变量之间存在线性关系。以下回归方程描述了这种关系:

    Yi = b0 + b1 Xi + ei
    

    我们将截距 b0 和斜率系数 b1 称为回归系数,将 ei 称为随机误差。

    现在,考虑另一个等式:

    Rasset = ex-post alpha + beta of asset *  Rbenchmark  + ei
    

    为了更直观的理解系数,如果我们考虑谷歌与标普500指数的回报,则回归线中的斜率系数称为股票的 beta,因为它衡量的是谷歌收益中系统性或不可分散风险的相对数量。如果谷歌回报的斜率大于 1,其回报往往会增加或者减少市场回报。斜率或者 beta 为 1,那么其回报将与市场平均具有相同的系统风险水平,斜率或者 beta 小于 1意味着回报增加或者减少的幅度小于市场回报的变化。

    截距是事后的 alpha,即与市场指数回报相比,谷歌超额回报的衡量。如果截距是负数,则意味着谷歌在风险调整的基础上表现落后于标普,而截距是正数,则意味着其在风险调整基础上有超额收益。

    回归方程线上的所有点预测相应 x 值的 y 值。然而,最佳回归线是由回归方程预测的 y 值与实际 y 值之间的平方差(垂直距离)或者平方误差之和或者 SSE之和的回归线。使得误差最小。

    因此,回归线使得 SSE 最小化。这就是为什么简单线性胡桂也被称为普通最小二乘或者 OLS 的原因,因此回归方程也被称为最小二乘估计。

    回归线的斜率系数 b1 被计算为 x 和 y 的协方差除以 x 的方差,并且截距系数是 x = 0 处的线与 y 轴的交点。

    以下的 Python 代码可以参考:

    在这里插入图片描述

    从图上我们可以看到谷歌的 beta 值是 1.25,你也可以尝试别的股票。

    下面是线性回归图。

    在这里插入图片描述

    展开全文
  • 第三章 数据的基本分析 本章提要 算术平均数和几何平均数的计算 算术平均数的性质 极差方差和标准差的针算 方差与标准差之间的关系 标准差的性质 第一节平均数据集中性 平均计算 平均(mean average)观测的...
  • 本章提要算术平均数和几何平均数的计算算术平均数的性质极差方差和标准差的计算方差与标准差之间的关系标准差的性质第一节 平均数据集中性平均计算 平均meanaverage观测的平均水平和集中趋势的表示 ...
  • 论文研究-取用水监测点的水量计算与变化趋势分析.pdf, 加强取用水监测是实施最严格水资源管理制度的重要举措.为了更有效地利用大量的取用水在线监测数据,需要对获取的...
  • RBF神经网络 计算 数据的信任

    千次阅读 2020-11-12 22:59:04
    通过RBF神经网络的算法计算得到数据的信任,即将预测结果和实际结果进行对比,然后计算四个指标,即: 1.误方差(mean squared error)小于1. 2.标准差(standard deviation) 3.标准差率(standard Deviation ...
  • 问题分析:本文的数据为经过预处理和计算得到的30年(1983-2012年)物候参数始期遥感数据,共计30期影像,现在需要逐像元计算整个物候始期的空间分布特征(平均)和变化趋势分析(Slope 一元线性回归分析)。...
  • 在2 m x 2m以及5mx5m的尺度上,人工林和天然林生物量分布嫡随林分生长有着不同的变化趋势,人工林生物量分布嫡有逐渐减小的趋势,而天然林生物量分布嫡有逐渐增大的趋势;在lomx lom的尺度上,人工林变化并无...
  • -- 1 近6个月的精确率呈递增趋势 with temp as ( select jzd_month2-jzd_month1 d from masakr.tb_kr_hv_23118_mon2 t where t.statis_month = vv_month union select jzd_month3-jzd_month2 d from masa
  • 今天我们看一下介绍多年多点遗传力及BLUP值计算的视频内容. 阅读原文可以查看视频, 这里我用文字和代码进行重演. 2. 本次微信文的目标 获得一个多年多点的数据 计算品种性状的遗传力 计算每个品...
  • python列表平均函数Mathematics and programming go hand in hand. If you are a programmer, at some point you will have to use mathematics. 数学和程序设计齐头并进。 如果您是程序员,则有时必须使用数学。 ...
  • PMP笔记-挣值计算公式汇总

    万次阅读 2017-11-26 13:30:34
    PMP之挣管理(EVM,Earned Value Management)挣管理的4个基本概念1. 计划价值(Planned Value,PV)为某活动或工作分解结构组成部分的预定工作进度而分配的经批准的预算(不包括管理储备)。计划价值应与经批准的...
  • sklearn中TF-IDF计算方式

    千次阅读 2019-09-08 22:04:05
    关于TF-IDF,首先简单地提一下: TF(Term Frequency),也就是词频,这个定义很直观,也就是某个词语地频数除以整个文档的总词数: TF=某个词语出现次数文档总词语数 TF=\frac{某个词语出现次数}{文档总词语数...
  • MK趋势分析

    千次阅读 2020-07-02 18:48:27
    对于一个时间序列Xt = (x1,x2,…,xn),MK趋势检验的统计量S计算公式如下: 其中,sgn为检验函数: 然后计算方差Var以及Z统计量: 利用双边检验对数据进行检验,当-Z1-a<=Zs<=Z1-a时,即表明序列具有显著...
  • mk(z值计算)在matlab上的实现

    千次阅读 2020-12-17 18:12:43
    原理 案例 三个地区气候数据 数据格式如下: 运行结果
  • 常用的评分卡模型中需要先对变量进行离散化处理,在大规模数据集中,可以使用数据库本身自带的分位数或者排序函数对变量进行分箱处理后,然后直接计算WOE、IV。 一、SQL分箱操作 1、建立箱段表 ----model为建模...
  • 趋势检验方法(二)MK趋势检验

    千次阅读 2021-05-10 16:39:27
    MK(Mann-Kendall)检验 a基本原理: 使用MK算法检验时序数据... 如果有缺失或者低于一个或多个检测限制,是可以计算MK检测的,但检测性 能会受到不利影响。 独立性假设要求样本之间的时间足够大,这样在不同
  • 的挣管理公式,该公式计算出的结果可用于验证通过自下而上方法得出的完工估算。 第六次出现,P222, 7.4.2.1挣管理 , 项目成本管理 中 控制成本 的 工具与技术 。 挣管理(EVM)是把 范围 、 进度 和 ...
  • 项目管理的知识笔记一:挣值计算

    千次阅读 2012-05-10 09:39:42
    管理(EVM)是一种常用的绩效测量方法,可采用多种形式。它综合考虑项目范围、成本与进度指标,帮助项目管理团队评估与测量项目绩效和进展。挣测量是一种基于综合基准的项目管理技术,以便依据该综合基准来测量...
  • 直线趋势法(理论)

    千次阅读 2019-06-06 12:58:09
    关键是求得趋势直线,以利用趋势直线的延伸求得预测。 直线趋势法是假设所要预测的变量与时间之间成线性函数关系,并以此为基础预测未来。因此,用这种方法时,应先计算相关系数,以判别变量与时间之间是否基本上...
  • 0.5,序列具有长期记忆性,未来的增量和过去的增量相关,继续保持现有趋势的可能性强。 若Hurst 指数< 0.5,很有可能是记忆的转弱,趋势结束和反转的开始(mean reversion)。 若Hurst指数= 0.5,序列接近随机游走...
  • 均值、中位数、中位数的概念以及优缺点对比。偏态分布难点分析,以及偏度、峰度计算公式。文末附相关学习链接。
  • PV:计划,计划工作量的计划费用(工时)既BCWS; PV = BCWS = 计划工作量*计划单价 PV主要反应进度计划应当完成的工作量的计划消耗。 AC:实际成本,已完成工作量的实际费用(工时)既ACWP; AC = ACWP =...
  • //年均流量趋势检验.h //年均流量Mann-Kendall法趋势分析 void MannKendall() { using namespace std; int S = 0;//检验的统计变量 double VarS,//统计变量S的方差 Z ;//标准正态统计变量方差 S = 0; for...
  • 趋势分析 R包,用于时间序列数据的趋势分析。 使用不确定的Sen方法来计算趋势量和显着性
  • Sen+MK趋势分析

    千次阅读 2020-06-23 17:28:53
    Sen+MK趋势分析

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 102,232
精华内容 40,892
关键字:

如何计算趋势值