问题标签 [robust]

好的，所以我知道磁盘写入错误非常罕见，所以请看过去，因为我正在使用的数据非常重要（比如 SSID 很重要）。因此，我想使用绝对最小的内存量以绝对最强大的方式复制文件。到目前为止，这就是我所得到的。它占用了很多内存，但我找不到源。它的工作方式是反复检查无数次，直到得到确认的结果（它可能会大大增加错误的误报数量，但它可能会大大减少实际错误的机会）。此外，底部的睡眠让您有时间使用 Windows 任务管理器分析程序的整体性能。

所以，如果我的代码以最好的方式走在正确的轨道上，那么我的代码可以做些什么来改进它呢？但是，如果我的代码完全没有最好的解决方案，那么最好的解决方案是什么？请注意，这个问题本质上是关于检测罕见的磁盘写入错误，用于复制非常非常非常（等）重要数据的应用程序。

我对比较独立手段的不同稳健方法感到困惑。我在统计教科书中找到了很好的解释。例如yuen()，在样本量相等的情况下。我的样本相当不平等，因此我想尝试一种 bootstrap-t 方法（来自 Wilcox 书籍：Robust Estimation and Hypothesis Testing 简介，第 163 页）。它说这yuenbt()将是一个可能的解决方案。

但是所有教科书都说我可以在这里使用向量：

如果我检查本地描述，它会说：

我的试验有什么问题：

为什么我的两个向量不能使用 yuenbt 函数？非常感谢你

我计算了一个简单的 OLS 回归，如下所示 model = sm.OLS(y,X)：results = model.fit()

我发现我的残差是异方差的。这就是为什么我计算了一个稳健的协方差矩阵以获得稳健的标准误差并根据这些稳健的标准误差计算新的 t-stats。我使用以下方法计算的稳健协方差矩阵：

robust_cov = sm.stats.sandwich_covariance.cov_white_simple(results, use_correction=True)

我可以从中提取稳健的标准错误：

robust_se = sm.stats.sandwich_covariance.se_cov(robust_cov)

现在我想用robust_se来计算新的 t-stats 但我不知道该怎么做。

我偶然发现了一个我认为实际上应该很好地解释如何解决我的问题的问题：Getting statsmodels to use heteroskedasticity Corrected Standard Errors in coefficient t-tests

不幸的是，我不太明白这个解释。分别，我尝试做results = model_ols.fit(cov_type='HC0')（和HC1，HC2，HC3），如上述问题中所述。但这给我留下了与原始模型完全相同的标准错误和 t-stats。

谁能给我一个提示我做错了什么？

我有我拟合线性函数的这些数据，并且拟合决定了其他工作（没关系，不重要）。我正在使用numpy.polyfit，当我简单地包含数据和拟合程度时，它会产生这个图：

现在，拟合没问题，但普遍的共识是最佳拟合线被其上方的那些红色数据点所扭曲，我实际上应该拟合它下方的数据，形成一个很好的线性形状（从那个拥挤的地方开始一团蓝点）。因此，我尝试在对 的调用中添加权重polyfit，并选择了 1/sqrt(y 值) 的任意权重，因此基本上较小的 y 值将被更有利地加权。这给出了以下内容：

诚然哪个更好，但我仍然不满意，因为现在看来这条线太低了。理想情况下，我想要一个中间立场，但由于我选择了一个任意的权重，我想知道一般来说是否有一种方法可以使用 Python 执行更稳健的拟合，或者即使这可以使用polyfit? 如果可行，使用单独的包也可以。

对于一个项目，我想使用 R 中的“稳健”包进行稳健回归。数据包含 X 和 Y 轴上某些突变的流行率，因此我使用了二项式族。问题是，每当我尝试计算置信区间时，都会出现错误：

predict.glmRob(mod, newdata = dfPred, type = "response") 中的错误：
尝试应用非函数

这是我运行的 R 代码：

这些是数据：

我找到有人帮助我使用以下代码从模型中提取置信区间，但随后我得到的置信区间范围为 0 到 1，这在非鲁棒 glm 或选择另一个系列时不会发生。

有谁知道如何解决这个问题？

我目前参与一个小组项目，我们必须进行投资组合选择和优化。这里给出了被引用的论文：（特别是第 5 页和第 6 页，等式 7-10）

http://faculty.london.edu/avmiguel/DeMiguel-Nogales-OR.pdf

我们在使用 M-Portfolios 创建优化问题时遇到了麻烦，如下所示

min (wrt w,m) (1/T) * sum_(rho)*(w'*r_t - m) （对不起，我无法使格式正常工作）

st w'e = 1（只是表示所有权重加到 1 的条件）

到目前为止，这是我们尝试过的：

问题始于我们将 theta 定义为 w 和 m 的向量。我们不知道如何在目标函数中正确使用带有 2 个变量的 fmincon。此外，目标函数的值取决于另一个值（如论文所示），这需要在 120 个月的滚动时间窗口内完成，总共 264 个月。（因此 for 循环和如果别的）

如果需要更多信息，我很乐意提供！

如果您可以另外提供一个处理类似问题的示例，您能否将我们链接到它。

先感谢您。

一个常见的方差样本检验是卡方检验，例如http://www.itl.nist.gov/div898/handbook/eda/section3/eda358.htm。

当总体不正常和/或存在异常值时，有哪些稳健的方差测试替代方案？

我试图从 R 中的生存包中获取 clogit 回归的稳健标准错误。这样做，我试图复制带有选项的 Stataclogit命令报告的标准错误。vce(robust)

我在 R 中的公式是

将robust = TRUE参数添加到函数失败并出现错误：

任何尝试通过这里、这里、这里和这里建议的三明治或 plm 包提取稳健标准错误的尝试都会失败，并出现相同的错误。类似地，clogit 函数包含一个条件，用于在使用该方法时停止尝试计算稳健标准误差exact（第 44 行）。但是，clogit 回归对象中存在 conditional_logit$residuals 和 conditional_logit$score。

如果有人可以帮助回答以下问题，我将不胜感激：

• 计算“精确”条件逻辑回归的稳健标准误差通常是不可能的还是“错误的”？如果是这样，为什么 Stata 允许这样做？
• 如果不是：我如何计算 R 中 clogit 回归的稳健标准误差？
• 如果无法根据 clogit 回归对象中的数据计算稳健的标准误差：是否有另一个 R 包可以生成条件逻辑回归模型，这些模型等效于由生存包的 clogit 函数生成的模型，并且包含以下数据我需要计算稳健的标准误差吗？

我想用 R 中的 Caret 包中的交互项拟合一个稳健的线性回归，但我得到以下错误：

train.default(x, y, weights = w, ...) 中的错误：正在停止另外：警告消息：在nominalTrainWorkflow（x = x，y = y，wts = weights，info = trainInfo，：缺少值在重新采样的性能指标中。

在我的代码下面：

如果我删除交互项：'clearSkyPOA*TotalCover'，它会按预期工作。例如用代码：

我得到以下结果：

我错过了什么吗？以下来自 dput(training) 的 20 个样本的结果：

对于稳健的拟合问题，我想通过杠杆值找到异常值，它是“帽子”矩阵的对角线元素。设数据矩阵为X(n * p)，Hat矩阵为：

X'的转置在哪里X。

当n很大时，Hat 矩阵是一个巨大的 ( n * n)。所以计算它很耗时。我想知道是否有更快的方法来计算杠杆值？