统计学-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

kejiayuan0806

如何检查数据准确性

1）准备提供所有可疑数据信息的验证报告。它应该提供信息，如失败的验证标准以及发生的日期和时间2）检查可疑数据以确定其可接受性3）应该找出无效数据并用验证码替换4）对缺失数据进行处理，使用最佳分析策略，如删除，单一插补方法，基于模型的方法等。

0.0000

0

4

0

关注作者

收藏

kejiayuan0806

分类数据的相关性检验

分类数据是只能归于某一类别的非数字型数据，它是对事物进行分类的结果，数据表现为类别，用文字来表述的。对分类数据的频数检验的方法可以用x2检验来表示。公式如下：a根据分类变量的数量可以分为拟合优度检验和独立性检验。拟合优度检验是对一个分类变量的检验，独立性检验是对两个分类变量的检验。通过以上检验，检验数据是否具有相关性。

16.1763

1

2

0

关注作者

收藏

詹惠儿

对二项分布的概率画图为什么成正态分布

问题描述：在用R语言时，x为等差序列，y为n=100，p=0.5，样本为x的二项分布概率序列值，当对x，y作图时，确实一条正态分布曲线。答案解析：求一个随机事件发生的概率为伯努利事件，求固定n次数随机事件发生x次的概率为二项分布，当样本数足够大（>30）就近似为正态分布，正态分布是二项分布的极限分布。以下为详细说明，可参考理解：

0.0000

0

5

0

关注作者

收藏

詹惠儿

岭回归的作用

问题描述：在建线性回归模型的直接用sklearn，那么岭回归这些模型调优的方法运用在哪？不是应该先用sklearn建模，发现模型拟合得不好，就输入岭回归的代码吗？解决方法：岭回归不是优化模型的，是对于普通最小二乘法改良后的回归模型。如果数据的自变量比样本量大，或者自变量存在严重多重共线性，用普通线性回归模型效果不好，这时候就要用岭回归去建模；因此，应该先用sklearn建模，如果

0.0000

0

0

0

关注作者

收藏

PGC123

什么是面板数据？

什么是面板数据？答：面板数据，即Panel Data，是截面数据与时间序列综合起来的一种数据资源。在分析时,多用PanelData模型,故也被称为面板数据模型. 它可以用于分析各样本在时间序列上组成的数据的特征,它能够综合利用样本信息,通过模型中的参数,既可以分析个体之间的差异情况,又可以描述个体的动态变化特征。

101.9666

3

3

0

关注作者

收藏

PGC123

什么是时间序列数据？

什么是时间序列数据？答：时间序列数据是指对同一对象在不同时间连续观察所取得的数据。它着眼于研究对象在时间顺序上的变化，寻找空间(对象)历时发展的规律。利用时间序列作样本时，要注意几个问题：一是所选择的样本区间内经济行为的一致性问题；二是样本数据在不同样本点之间不可比，需要对原始数据进行调整，消除其不可比因素；三是样本观测值过于集中，因而时间序列数据不适宜于对模型中反映长期变化关系的结构参数

8.7954

1

4

0

关注作者

收藏

PGC123

什么是横截面数据？

什么是横截面数据？答：横截面数据是指在某一时点收集的不同对象的数据。它对应同一时点上不同空间(对象)所组成的一维数据集合，研究的是某一时点上的某种经济现象，突出空间(对象)的差异。横截面数据的突出特点就是离散性高。横截面数据体现的是个体的个性，突出个体的差异，通常横截面数据表现的是无规律的而非真正的随机变化。即计量经济学中所谓的“无法观测的异质性”。在分析横截面数据时，应主要注意两个问题：

31.0740

2

3

0

关注作者

收藏

詹惠儿

多重共线性怎么处理？

问题描述：vif值太高就直接删了，再建模？还是看特征值？3、相关系数太低，还有研究的意义吗？答案解析：1. 建议改用逐步回归法选择自变量，因为无论从VIF，容差值和特征值来看，简单采用Enter法强制输入的回归方程存在严重的多重共线性；2. 用逐步回归后效果还不理想，可用岭回归调整模型

0.0000

0

1

0

关注作者

收藏

詹惠儿

异常值如何处理？

问题描述：像政府那些数据，即使有3倍外的异常值也要处理吗？处理的方法怎么选择？答案解析：要处理，方法如下：1.盖帽法（推荐）整行替换数据框里99%以上和1%以下的点，将99%以上的点值=99%的点值；小于1%的点值=1%的点值，即替换成3倍标准差容忍值最大的值2.分箱法（推荐）将连续变量等级化之后，不同的分位数的数据就会变成不同的等级数据，连续变量离散化了，消除了极值的

0.0000

0

1

0

关注作者

收藏

詹惠儿

聚类分析有哪些功能表现

问题描述：(单项选择)：聚类分析的功能表现正确的是（） A、对变量进行降维，获得低维度数据 B、探索性数据分析确定数据结构 C、对观测进行聚类 D、以上均正确答案解析：根据百度百科的定义：聚类分析：聚类分析，就是按照个体的特征将它们分类，目的在于让同一个类别内的个体之间具有较高的相似度，而不同类别之间具有较大的差异性。这样，就能够根据不同类别的特征有的放矢地进行分析，并制

0.0000

0

3

0

关注作者

收藏

詹惠儿

检查正态分布的常用统计图形

问题描述：检查正态分布的常用统计图形（）A. 条形图与线图的组合B. 直方图C. 帕累托图D. 累计概率密度曲线答案解析：B 正态分布曲线一种概率分布。直方图的分组是对大量资料的简化，如果资料很多，分组很密，那么直方图就会趋近与曲线，这样得到的光滑的曲线就是产品数据的分布曲线，它反映了产品背后的统计规律。正态分布图是特别的曲线图，其特征为“钟形”，符合正

0.0000

0

1

0

关注作者

收藏

詹惠儿

如何看置信度是否偏高

在其他条件相同时,下列置信区间中置信度最高的是: ( D ) : A. 0-10万 B. 0-100万 C. 0-500万 D. 0-1000万解释：所谓置信度,也叫置信水平。它是指特定个体对待特定命题真实性相信的程度.也就是概率是对个人信念合理性的量度。概率的置信度解释表明，事件本身并没有什么概率，事件之所以指派有概率只是指派概率的人头脑中所具有的信念证据。置信水平是指总

5.4951

2

5

0

关注作者

收藏

詹惠儿

检验值低于多少认为差异效果不显著。

问题描述：一般来说，检验P值低于（），就认为差异效果是明显的，反之则认为差异效果不显著。 A 1% B 5% C 8% D 10%问题解析：P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为有统计学差异， P

14.0731

3

0

0

关注作者

收藏

W11YA

皮尔森相关分析

from numpy.random import randfrom numpy.random import seedfrom scipy.stats import spearmanr# seed random number generatorseed(1) # prepare datadata1 = data['x']data2 = data['price']# calculat

30.0000

1

1

0

关注作者

收藏

dreamhappy2012

缺失值处理方法-删除元组的优缺点有哪些？

问、缺失值处理方法-删除元组的优缺点有哪些？答：这个方法不难理解，也就是将存在遗漏信息属性值的对象（元组，记录）删除，从而得到一个完备的信息表。优点：简单易行，且在对象有多个属性缺失值、被删除的含缺失值的对象与初始数据集的数据量相比非常小的情况下非常有效（其中类标号缺失时通常使用该方法）。缺点：它是以减少历史数据来换取信息的完备，同时会丢弃大量隐藏在这些对象中的信息。如若在初始数据集包含

0.0000

0

1

0

关注作者

收藏

朝阳Tim

调节作用和交互作用的区别是什么？

问题描述：调节作用和交互作用的区别是什么？思路辨析：调节效应和交互效应在统计处理上是一样的，但理论含义不同区别点在于能否调节效应可以指定自变量、调节变量的归属，而交互作用是等价的，或者叫作位置平行，没有固定位置M调节X-->Y的关系，不一定交互，而在此基础上，X也调节M-->Y的关系，可能就是交互了

15.4024

4

2

0

关注作者

收藏

朝阳Tim

调节变量和中介变量的区别是什么？

问题描述：在统计模型中，常常涉及中介和调节变量的辨析问题，那么如何简单理解这两个概念呢？概念辨析：从位置上来看，中介处于X和Y之间；调节处于Y之前从功能上来看，中介代表一种机制，X通过它来影响Y；调节是指影响Y和X之间关系的方向（正或负）或强弱从检验上来看，中介需要依次检验，甚至要做sobel检验；调节需要做层次回归分析，检验交乘项系数的显著性举例子，例如工资和幸福感的关系中，

14.6638

3

1

0

关注作者

收藏

dreamhappy2012

k近邻法的实现需要考虑哪些问题？

问、k近邻法的实现需要考虑哪些问题？答：k近邻法的实现需要考虑如何快速搜索k个最近邻点。kd树是一种便于对K维空间中的数据进行快速检索的数据结构。kd树是二叉树，表示对K维空间的一个划分，其每个结点对应于k维空间划分中的一个超矩形区域，利用kd树可以省去对大部分数据点的搜索，从而减少搜索的计算量。

24.8917

1

6

0

关注作者

收藏

dreamhappy2012

k近邻法三要素有哪些？

问、k近邻法三要素有哪些？答：k近邻法三要素：距离度猛、 K值的选择和分类决策规则常用的距离度蜇是欧氏距离及更一般的LP距离. k值小时，k近邻模型更复杂； K值大时，K近邻模型更简单. k值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的k. 常用的分类决策规则是多数表决，对应于经验风险最小化，

0.0000

0

0

0

关注作者

收藏

dreamhappy2012

K值怎么选择？

问、K值怎么选择？答：K值的选择会对K近邻法的结果产生重大影响．如果选择较小的K值，就相当着于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有与输入实例较近的（相似的）训练实例才会对预测结果起作用．但缺点是“学习＂的估计误差会增大，预测结果会对近邻的实例点非常敏感。如果邻近的实例点恰巧是噪声，预测就会出错．换句话说，K值的减小就意味着整体模型变得复杂，容易发生过拟合．如果

0.0000

0

2

0

关注作者

收藏

<1…353637…55>

CDA考试动态

CDA报考指南