五月天婷亚洲天久久综合网,婷婷丁香五月激情亚洲综合,久久男人精品女人,麻豆91在线播放

  • <center id="8gusu"></center><rt id="8gusu"></rt>
    <menu id="8gusu"><small id="8gusu"></small></menu>
  • <dd id="8gusu"><s id="8gusu"></s></dd>

    [Springer Use R系列最新書(shū)籍] Analyzing Compositional Data with R-經(jīng)管之家官網(wǎng)!

    人大經(jīng)濟(jì)論壇-經(jīng)管之家 收藏本站
    您當(dāng)前的位置> 考研考博>>

    考研

    >>

    [Springer Use R系列最新書(shū)籍] Analyzing Compositional Data with R

    [Springer Use R系列最新書(shū)籍] Analyzing Compositional Data with R

    發(fā)布:kaifengedu | 分類:考研

    關(guān)于本站

    人大經(jīng)濟(jì)論壇-經(jīng)管之家:分享大學(xué)、考研、論文、會(huì)計(jì)、留學(xué)、數(shù)據(jù)、經(jīng)濟(jì)學(xué)、金融學(xué)、管理學(xué)、統(tǒng)計(jì)學(xué)、博弈論、統(tǒng)計(jì)年鑒、行業(yè)分析包括等相關(guān)資源。
    經(jīng)管之家是國(guó)內(nèi)活躍的在線教育咨詢平臺(tái)!

    經(jīng)管之家新媒體交易平臺(tái)

    提供"微信號(hào)、微博、抖音、快手、頭條、小紅書(shū)、百家號(hào)、企鵝號(hào)、UC號(hào)、一點(diǎn)資訊"等虛擬賬號(hào)交易,真正實(shí)現(xiàn)買(mǎi)賣(mài)雙方的共贏!菊(qǐng)點(diǎn)擊這里訪問(wèn)】

    提供微信號(hào)、微博、抖音、快手、頭條、小紅書(shū)、百家號(hào)、企鵝號(hào)、UC號(hào)、一點(diǎn)資訊等虛擬賬號(hào)交易,真正實(shí)現(xiàn)買(mǎi)賣(mài)雙方的共贏!菊(qǐng)點(diǎn)擊這里訪問(wèn)】

    書(shū)名:AnalyzingCompositionalDatawithR目錄及書(shū)回復(fù)可見(jiàn).Contents1Introduction..................................................................11.1WhatAreCompositionalData?............................... ...
    壇友互助群


    掃碼加入各崗位、行業(yè)、專業(yè)交流群


    書(shū)名:Analyzing Compositional Data with R
    目錄及書(shū)回復(fù)可見(jiàn).
    Contents
    1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
    1.1 What Are Compositional Data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
    1.1.1 Compositions Are Portions of a Total . . . . . . . . . . . . . . . . . . . . . . . . 1
    1.1.2 Compositions Are Multivariate by Nature . . . . . . . . . . . . . . . . . . . 3
    1.1.3 The Total Sum of a Composition Is Irrelevant . . . . . . . . . . . . . . . 3
    1.1.4 Practically All Compositions Are Subcompositions.. . . . . . . . 4
    1.1.5 The Very Brief History of Compositional Data Analysis. . . . 5
    1.1.6 Software for Compositional Data Analysis . . . . . . . . . . . . . . . . . . 6
    1.2 Getting Started with R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
    1.2.1 Software Needed for the Examples in This Book. . . . . . . . . . . . 6
    1.2.2 Installing R and the Extension Packages .. . . . . . . . . . . . . . . . . . . . 7
    1.2.3 Basic R Usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
    1.2.4 Getting Help for Composition Specific Commands . . . . . . . . . 10
    1.2.5 Troubleshooting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
    References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
    2 Fundamental Concepts of Compositional Data Analysis . . . . . . . . . . . . . . . . 13
    2.1 A Practical View to Compositional Concepts . . . . . . . . . . . . . . . . . . . . . . . . . 13
    2.1.1 Definition of Compositional Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
    2.1.2 Subcompositions and the Closure Operation.. . . . . . . . . . . . . . . . 14
    2.1.3 Completion of a Composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
    2.1.4 Compositions as Equivalence Classes . . . . . . . . . . . . . . . . . . . . . . . . 17
    2.1.5 Perturbation as a Change of Units . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
    2.1.6 Amalgamation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
    2.1.7 Missing Values and Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
    2.2 Principles of Compositional Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
    2.2.1 Scaling Invariance .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
    2.2.2 Perturbation Invariance.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
    2.2.3 Subcompositional Coherence .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
    2.2.4 Permutation Invariance .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
    2.3 Elementary Compositional Graphics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
    2.3.1 Sense and Nonsense of Scatterplots of Components . . . . . . . . 24
    2.3.2 Ternary Diagrams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
    2.3.3 Log-Ratio Scatterplots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
    2.3.4 Bar Plots and Pie Charts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
    2.4 Multivariate Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
    2.4.1 Classical Multivariate Vectorial Data (rmult) . . . . . . . . . . . . . . . . 31
    2.4.2 Positive Data with Absolute Geometry (rplus).. . . . . . . . . . . . . . 31
    2.4.3 Positive Data with Relative Geometry (aplus) . . . . . . . . . . . . . . . 32
    2.4.4 Compositional Data with Absolute Geometry (rcomp).. . . . . 32
    2.4.5 Compositional Data with Aitchison Geometry (acomp) . . . . 33
    2.4.6 Count Compositions (ccomp).. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
    2.4.7 Practical Considerations on Scale Selection . . . . . . . . . . . . . . . . . 34
    2.5 The Aitchison Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
    2.5.1 The Simplex and the Closure Operation . . . . . . . . . . . . . . . . . . . . . 37
    2.5.2 Perturbation as Compositional Sum . . . . . . . . . . . . . . . . . . . . . . . . . . 37
    2.5.3 Powering as Compositional Scalar Multiplication .. . . . . . . . . . 39
    2.5.4 Compositional Scalar Product, Norm, and Distance. . . . . . . . . 39
    2.5.5 The Centered Log-Ratio Transformation (clr) . . . . . . . . . . . . . . . 41
    2.5.6 The Isometric Log-Ratio Transformation (ilr) . . . . . . . . . . . . . . . 42
    2.5.7 The Additive Log-Ratio Transformation (alr) . . . . . . . . . . . . . . . 44
    2.5.8 Geometric Representation of Statistical Results . . . . . . . . . . . . . 45
    2.5.9 Expectation and Variance in the Simplex . . . . . . . . . . . . . . . . . . . . 47
    References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
    3 Distributions for Random Compositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
    3.1 Continuous Distribution Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
    3.1.1 The Normal Distribution on the Simplex.. . . . . . . . . . . . . . . . . . . . 51
    3.1.2 Testing for Compositional Normality . . . . . . . . . . . . . . . . . . . . . . . . 53
    3.1.3 The Dirichlet Distribution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
    3.1.4 The Aitchison Distribution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
    3.2 Models for Count Compositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
    3.2.1 The Multinomial Distribution.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
    3.2.2 The Multi-Poisson Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
    3.2.3 Double Stochastic Count Distributions. . . . . . . . . . . . . . . . . . . . . . . 66
    3.3 Relations Between Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
    3.3.1 Marginalization Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
    3.3.2 Conjugated Priors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
    4 Descriptive Analysis of Compositional Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
    4.1 Descriptive Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
    4.1.1 CompositionalMean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
    4.1.2 Metric Variance and Standard Deviation .. . . . . . . . . . . . . . . . . . . . 75
    4.1.3 Variation Matrix and Its Relatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
    4.1.4 Variance Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
    4.1.5 Normal-Based Predictive and Confidence Regions . . . . . . . . . . 82
    4.2 ExploringMarginals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
    4.2.1 The Three Types of Compositional Marginals .. . . . . . . . . . . . . . 85
    4.2.2 Ternary Diagram Matrices for Multidimensional
    Compositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
    4.3 Exploring Projections .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
    4.3.1 Projections and Balances. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
    4.3.2 Balance Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
    4.3.3 The Coda-Dendrogram .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
    References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
    5 Linear Models for Compositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
    5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
    5.1.1 Classical Linear Regression (Continuous Covariables) . . . . . 95
    5.1.2 Classical Analysis of the Variance
    (Discrete Covariables).. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
    5.1.3 The Different Types of Compositional
    Regression and ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
    5.2 Compositions as Independent Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
    5.2.1 Example.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
    5.2.2 Direct Visualization of the Dependence .. . . . . . . . . . . . . . . . . . . . . 103
    5.2.3 The Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
    5.2.4 Estimation of Regression Parameters. . . . . . . . . . . . . . . . . . . . . . . . . 107
    5.2.5 Displaying the Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
    5.2.6 Prediction and Predictive Regions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
    5.2.7 Model Checks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
    5.2.8 The Strength of the Relationship . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
    5.2.9 Global and Individual Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
    5.2.10 Model Diagnostic Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
    5.2.11 Checking the Normality Assumptions . . . . . . . . . . . . . . . . . . . . . . . 117
    5.2.12 Checking Constant Variance .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
    5.2.13 Robust Regression. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
    5.2.14 Quadratic Regression. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
    5.3 Compositions as Dependent Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
    5.3.1 Example.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
    5.3.2 Direct Visualization of the Dependence .. . . . . . . . . . . . . . . . . . . . . 125
    5.3.3 The Model and Its R Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
    5.3.4 Estimation and Representation of the Model Parameters . . . 134
    5.3.5 Testing the Influence of Each Variable . . . . . . . . . . . . . . . . . . . . . . . 138
    5.3.6 Comparing Predicted and Observed Values . . . . . . . . . . . . . . . . . . 140
    5.3.7 Prediction of New Values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
    5.3.8 Residuals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
    5.3.9 Measures of Compositional Determination . . . . . . . . . . . . . . . . . . 152
    5.4 Compositions as Both Dependent and Independent Variables .. . . . . . . 154
    5.4.1 Example.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
    5.4.2 Visualization .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
    5.4.3 The Composition-to-Composition Regression Model .. . . . . . 155
    5.4.4 Representation and Visualization of Coefficients .. . . . . . . . . . . 157
    5.5 Advanced Considerations.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
    7.3 Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
    7.3.1 Background on Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
    7.3.2 Types of Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
    7.3.3 Robust Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
    7.3.4 Detection and Classification of Outliers. . . . . . . . . . . . . . . . . . . . . . 241
    7.4 Descriptive Analysis of Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
    7.4.1 Robust Estimation of Mean and Variance .. . . . . . . . . . . . . . . . . . . 242
    7.4.2 Detecting Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
    7.4.3 Counting Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
    7.4.4 Classifying Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
    7.5 Working with Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
    7.5.1 Random Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
    7.5.2 Failed Measurement or Transmission
    in Individual Components.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
    7.5.3 Subpopulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
    7.5.4 Polluted Samples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
    7.5.5 Heavy-Tailed Compositional Distributions . . . . . . . . . . . . . . . . . . 252
    References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
    Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
    [hide][/hide]
    掃碼或添加微信號(hào):壇友素質(zhì)互助


    「經(jīng)管之家」APP:經(jīng)管人學(xué)習(xí)、答疑、交友,就上經(jīng)管之家!
    免流量費(fèi)下載資料----在經(jīng)管之家app可以下載論壇上的所有資源,并且不額外收取下載高峰期的論壇幣。
    涵蓋所有經(jīng)管領(lǐng)域的優(yōu)秀內(nèi)容----覆蓋經(jīng)濟(jì)、管理、金融投資、計(jì)量統(tǒng)計(jì)、數(shù)據(jù)分析、國(guó)貿(mào)、財(cái)會(huì)等專業(yè)的學(xué)習(xí)寶庫(kù),各類資料應(yīng)有盡有。
    來(lái)自五湖四海的經(jīng)管達(dá)人----已經(jīng)有上千萬(wàn)的經(jīng)管人來(lái)到這里,你可以找到任何學(xué)科方向、有共同話題的朋友。
    經(jīng)管之家(原人大經(jīng)濟(jì)論壇),跨越高校的圍墻,帶你走進(jìn)經(jīng)管知識(shí)的新世界。
    掃描下方二維碼下載并注冊(cè)APP
    本文關(guān)鍵詞:

    本文論壇網(wǎng)址:http://xalimeijing.com/thread-2599341-1-1.html

    人氣文章

    1.凡人大經(jīng)濟(jì)論壇-經(jīng)管之家轉(zhuǎn)載的文章,均出自其它媒體或其他官網(wǎng)介紹,目的在于傳遞更多的信息,并不代表本站贊同其觀點(diǎn)和其真實(shí)性負(fù)責(zé);
    2.轉(zhuǎn)載的文章僅代表原創(chuàng)作者觀點(diǎn),與本站無(wú)關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí),本站對(duì)該文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性,不作出任何保證或承若;
    3.如本站轉(zhuǎn)載稿涉及版權(quán)等問(wèn)題,請(qǐng)作者及時(shí)聯(lián)系本站,我們會(huì)及時(shí)處理。
    數(shù)據(jù)分析師 人大經(jīng)濟(jì)論壇 大學(xué) 專業(yè) 手機(jī)版