99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀數(shù)據(jù)分析中常見問題的解決方案及心得體會
數(shù)據(jù)分析中常見問題的解決方案及心得體會
2016-10-18
收藏

數(shù)據(jù)分析中常見問題的解決方案及心得體會

在數(shù)據(jù)分析實踐中，你遇到過這樣的問題嗎？你們的標準誤差算對了嗎？回測過程中的過度擬合問題怎么解決？聚類分析時的極端值又該怎么處理呢？快來看今天的文章吧，馬上告訴你答案。


問題一：
你們的標準誤差（standarderror）算對了嗎？（附程序）
大家都知道，當殘余相是獨立同分布（iid）時，OLS的標準誤差是無偏的（unbiased），但是當殘余相與觀測值相關時，此標準誤差就不再無偏了，需要做相應的調整。
這里向大家介紹一篇Northwestern大學教授MitchellPeterson在頂級權威刊物ReviewofFinancialStudies上發(fā)表的文章（EstimatingStandardErrorsinFinancePanelDataSets：ComparingApproaches，2009），專門探討標準誤差在不同面板數(shù)據(jù)結構中的調整。據(jù)他統(tǒng)計，即使是在專業(yè)刊物上發(fā)表的文章：
"42%的文章沒有對標準誤差進行必要的調整。
"剩下的58%的文章做了調整。
1.其中，34%用了Fama-MacBeth方法，
2.29%用了虛擬變量（dummyvariable），
3.7%用OLS計算回歸系數(shù)但用Newy-West方法對標準誤差做調整，
4.23%則報告了群集標準誤差（clusteredstandarderror）
那么，到底哪種處理方法是正確的呢？本篇文章給出了指導意見。簡單來說，在二維的面板數(shù)據(jù)里包含了"企業(yè)固定效應"（firmfixedeffect）和"時間效應"（timeeffect）。
"在只具有"企業(yè)固定效應"的面板數(shù)據(jù)中，OLS和Fama-MacBeth方法的標準誤差都會被低估，建議使用群集標準誤差（clusteredstandarderror）。
"在只具有"時間效應"的面板數(shù)據(jù)中，建議使用Fama-MacBeth方法。
"在同時具有"企業(yè)固定效應"和"時間效應"的面板數(shù)據(jù)中，建議對某一個維度使用虛擬變量（dummyvariable），然后使用另一維度的群集標準誤差。或者按照SamuelThompson（Simple  Formulas  for  Standard  Errors  That  Cluster by  Both  Firmand  Time，2010，下載文獻請點擊"閱讀原文"，可以在帖子的尾部，專題鏈接部分，找到本文的原文鏈接）提出的方法做：二維標準誤差=企業(yè)群集標準誤差+時間群集標準誤差-White標準誤差（White  standard  error）。

對標準誤差進行正確調整的重要性是不言而喻的，因為錯誤的標準誤差會導致錯誤的變量顯著性，從而得出不可靠甚至錯誤的結論，使得文章的可信度大打折扣。所以做面板計量的朋友們，你們的標準誤差算對了嗎？希望這個帖子對大家有幫助！

問題二：

回測過程中的過度擬合問題（backtestoverfitting，附最新文獻2篇）

有這樣一個"明星"投資分析師，他給他10240位（=10*2^10）潛在客戶們宣傳他對股票ABC的投資建議。對其中一半客戶，他建議買入股票ABC，對另一半客戶，他建議賣出。一個月后，這位投資分析師再對其中5120位盈利的客戶繼續(xù)宣傳他對股票ABC的投資建議。如同上個月，他對其中一半客戶建議買入，對另一半客戶，他建議賣出。如此往復10個月，有這么10位客戶對他佩服的五體投地，因為他們已經連續(xù)盈利10個月了！可是他們不知道這位"明星"投資分析師做了多少失敗的投資建議。這是典型的回測過程中的過度擬合問題：只要回測的次數(shù)足夠多，我們總能找到令人滿意的結果。

下面介紹了一種新方法CSCV（CombinatoriallySymmetricCross-Validation）來估計回測中過度擬合的概率大?。≒robabilityofBacktestOverfitting）。這種方法要優(yōu)于人們通常用的比較樣本內和樣本外結果（in-samplevs.out-of-sample）的方法。希望對大家在寫計量論文中有幫助。

問題三：
數(shù)據(jù)分析心得--聚類分析時的極端值處理
在對農戶問卷數(shù)據(jù)做聚類分析時，先考察數(shù)據(jù)的分布，一般情況下很多變量均是正偏態(tài)分布，在不想去除極端值的情況下（去除極端值會造成本不多的樣本再度流失）可考慮在系統(tǒng)聚類時用橫向標準化的方法并用中位數(shù)進行聚類。這樣既不損失樣本，又能在不受極端值影響下考察數(shù)據(jù)的集中趨勢，不至于得到不好甚至錯誤的分析結果（因為均值受極端值影響）。

PS：若連續(xù)變量不存在大量的0的情況下，可考慮對原始數(shù)據(jù)進行對數(shù)變換解決其正偏態(tài)分布的問題，如有大量0存在時，就不能取對數(shù)了，因為ln(0)無意義。

SPSS數(shù)據(jù)分析心得小結
心得1：
我們做問卷調查的人，經常會遇到收集到的數(shù)據(jù)是偏正態(tài)分布的連續(xù)變量（主要表現(xiàn)為有極端值存在），可考慮用對數(shù)變換的方法對原始數(shù)據(jù)進行處理。倘若對數(shù)變換后還是存在很多極端值（看箱圖），這時可考慮將其分組（如分成高、中、低），然后再通過設置兩個虛擬變量的方式將分組后的變量處理后引入下一步的建模；
心得2：
在對農戶問卷數(shù)據(jù)做聚類分析時，先考察數(shù)據(jù)的分布，一般情況下很多變量均是正偏態(tài)分布，在不想去除極端值的情況下（去除極端值會造成本不多的樣本再度流失）可考慮在系統(tǒng)聚類時用橫向標準化的方法并用中位數(shù)進行聚類。這樣既不損失樣本，又能在不受極端值影響下考察數(shù)據(jù)的集中趨勢，不至于得到不好甚至錯誤的分析結果（因為均值受極端值影響）；
心得3：
在做回歸分析時（不管是線性回歸還是logistic回歸），先做變量間多重共線性診斷（可通過主成分回歸解決多重共線性問題），然后在變量選擇時依據(jù)0.05的標準依次剔除不顯著的變量。這樣做比單純使用逐步向前或向后法要好。因為據(jù)估算，直接使用逐步向前或向后的方法選擇變量，其犯錯誤的概率為1/3左右。故而，有時間還是人為的多跑跑模型為好，不要太依賴于軟件所謂的"智能"；
心得4：
在處理數(shù)據(jù)時，當存在極端異常值時（通過箱圖判斷），如果是正偏態(tài)分布，可通過取對數(shù)辦法解決。如果數(shù)據(jù)里面包含負數(shù)，沒法取對數(shù)時，可通過縮尾處理極端異常值。cda數(shù)據(jù)分析培訓


數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師考試動態(tài)
數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調，回調的第一個參數(shù)驗證碼對象，之后可以使用它調用相應的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }