Zou & Hastie(2005) 301-320 Regularization and variable selection via the elastic net.pdf
2023-02-02 04:14:07
302KB
1
pent
估计Copula熵和传递熵
介绍
实现了估计参数熵和传递熵的非参数方法。
估计copula熵的方法由两个简单步骤组成：通过等级统计估计经验copula和使用k最近邻法估计copula熵。 Copula熵是用于多元统计独立性测量和测试的数学概念，并被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。估计copula熵可以应用于很多情况，包括但不限于变量选择[2]和因果发现（通过估计传递熵）[3]。有关更多信息，请参阅Ma and Sun（2011） 。有关中文的更多信息，请点击。
用于估计传递熵的非参数方法包括两个步骤：估计三个copula熵和从估计的copula熵计算传递熵。还提供了条件独立性测试的功能。有关更多信息，请参阅Ma（2019） 。
功能
pent-估计copula熵;
Construct_empir
2021-10-29 09:12:26
17KB
1
pent
用于估计Copula熵的R包
介绍
Copula熵是用于统计独立性度量的数学概念[1]。在双变量情况下，Copula熵被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。
它具有广泛的应用，包括但不限于：
结构学习；
变量选择[2]；
因果发现（估计转移熵）[3]。
该算法包括两个步骤：使用秩统计量估计经验语料密度，以及使用kNN方法从估计的经验语料密度中估计语料熵。由于两个步骤都使用非参数方法，因此可以将copent算法应用于任何情况而无需进行假设。
在copent包的预印纸上的arXiv。有关更多信息，请参阅[1-3]。有关中文的更多信息，请点击。
功能
copent-主要功能;
Construct_empirical_copula-算法的第一步，它通过秩统计来估计数据的经验copula;
entknn-算法的
2021-10-19 14:58:00
7KB
1
Regularization and variable selection via the elastic net.pdf
2021-03-12 11:12:34
323KB
1