问题标签 [covariance-matrix]

我在python中有一个协方差矩阵（作为pandas DataFrame），如下所示：

我想动态地只选择矩阵协方差的一个子集。例如，A 和 C 的子集看起来像

有没有可以选择这个子集的函数？

谢谢！

我有所有成对的相关性，并想构建 var-covariance 矩阵，以便对该矩阵进行一些标准分析。这是协方差的示例数据，前两列是“ids”，而第三列显示“ids”之间的协方差。

我正在尝试在不使用 numpy 库的情况下手动计算最大化似然估计的协方差矩阵，但我似乎无法得到正确的答案。我试图通过这个公式：

我知道我正在正确计算平均值。所以我实际计算协方差的部分一定有问题，但我不知道在哪里？这是我的代码：

这就是我得到的：

这是我应该得到的：

人口矩阵如下：

我可以知道如果我只想要前两个主成分 PC1 和 PC2，我可以将矩阵制作为下面的 2x2 矩阵来执行特征向量的计算吗？

我想运行具有两个响应（独立）变量的多元混合回归 MCMC 模型，即大胆分数（连续变量）和攻击等级（序数等级）。试验数字（整数）是固定效应，而个体 ID 是随机效应。我正在使用混合模型方法来划分个体之间的协方差和个体内部的协方差。如果有人让我知道如何做到这一点，我将不胜感激，以及使用哪个包，最好是在 R 中以及要指定什么先验。非常感谢您！

我正在尝试基于Paciorek 和 Schervish, 2005的方程 (5,6) 在 Python 中实现非平稳高斯协方差函数。见附图：

我已经生成了一些我认为做正确的事情的代码，尽管它是非常低效的，因为它以C元素方式填充矩阵。请参见下面的合成示例：

我意识到我可以通过填充 的下三角形来稍微提高效率C，但是如果很大，n这仍然很慢......

我的问题是，是否可以重写上面的代码，这样我就不必C迭代计算了？

我的数据由 400000 个样本组成，具有 3200 个相同单位的值（400000x3200）。我知道，当数据具有不同大小的值时，首先您必须对数据进行标准化或规范化，因此每个值的比例是相同的。

但是如何计算具有相同单位值的数据的 PCA？之前需要对数据进行规范化、标准化、居中吗？具有相同单位的值的 cov 矩阵呢？

我希望有人能帮忙。谢谢

我怎么可能在没有协方差矩阵的情况下计算 PCA？

下面的代码执行此操作：

• 使用协方差：在计算特征值和特征向量之前，我减去每列的平均值并计算 cov() 矩阵。
• 没有协方差：我计算 X_train 的点积（原始数据），它不是以平均值为中心的

为了比较结果，我计算了两个 SVD。

那么为什么可以在没有 mean 和 cov() 的情况下获取 PCA 的原始数据？

使用 SAS，我想为一个数据集生成协方差矩阵，该数据集包含一个二元类、一个类 1 的协方差矩阵和一个类 2 的协方差矩阵。

但是当我运行第二个语句时，我得到：

错误 180-322：语句无效或使用顺序不正确。

有人可以帮帮我吗？

亲爱的程序员，

我正在尝试通过惩罚向量自回归分析高维数据集（31 个变量，1100 个观察值）。

因为我使用的是 Diebold 等人介绍的技术。al（2019）通过方差分解矩阵构建连通性网络，我想在 r 中使用他们的包： https ://www.rdocumentation.org/packages/vars/versions/1.5-3/topics/fevd

但是，这个包只能与常规的 VAR 估计一起使用。我想使用惩罚回归，例如LASSO。那么，我如何在 R 中使用他们的包，并带有惩罚 VAR？

我尝试了什么？lassovarGitHub上的包；但是，我不能在fevd()函数中使用它。它说：“仅使用 Vars 类的估计值。”

期待您的回复！

亲切的问候，

巴特