在新公司做机器学习工程师也已经有一年有余了，大部分时间都在熟悉模型框架，学习超参调整，和封装代码函数的工作。经历的模型从线性，非线性，tpot，lstm不一而足。上级给予的目标就是模型力求验证数据准度高，所以很长时间也是以这个为目标的基础下开展工作的。为了这个目标，我的方法就是利用模型按照一定的规则输出海量模型，然后对海量模型的训练和测试样本的相关指标（比如测试mae最小，或者cv值
# Granger因果检验：Python实现及其应用
在统计学和时间序列分析领域，Granger因果检验是一种用于确定时间序列之间因果关系的方法。此检验以诺伯特·格兰杰（Nobel laureate Clive Granger）的名字命名，其假设是“如果一个时间序列的值在某种意义上可以用另一个时间序列的以前的值来预测，我们就说前者‘Granger导致’后者”。本篇文章将介绍Granger因果检验
原创
2024-08-27 08:28:12
201阅读
# Python Granger因果检验流程
## 1. 流程概述
Granger因果检验是一种常用的统计方法，用于检验时间序列数据中的因果关系。在Python中，我们可以使用statsmodels库中的Granger因果检验函数进行分析。下面将介绍如何实现Python Granger因果检验的流程。
| 步骤 | 描述 |
| --- | --- |
| 步骤一 | 加载必要的库 |
|
原创
2024-01-22 03:15:10
232阅读
单位根检验、协整检验和格兰杰因果关系检验三者之间的关系 实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整(注意趋势、截距不同情况选择，根据P值和原假设判定)。若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验(注意滞后期的选择)，判断模型内部变量间是否存在协整关系，即是否存在长
转载
2023-09-12 10:51:21
199阅读
Granger causality test格兰杰检验是干什么的？——分析变量之间是否存在因果关系格兰杰检验的前提条件？——时间序列平稳格兰杰检验不成立的意义——不表示X和Y之间无因果关系 格兰杰检验是干什么的？——分析变量之间是否存在因果关系格兰杰因果检验是用在时间序列数据上的一种计量方法。格兰杰因果关系的内涵：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信
转载
2023-07-14 21:00:45
252阅读
python虽然与R一样都可以做数据分析，但是在计量方面较为薄弱，python更像是干脏活，清洗数据用的。现在慢慢的python也有一些在计量的包，比如causalinference，这个包可以做因果推断分析。安装!pip3 install causalinferenceLookinginindexes:https://pypi.tuna.tsinghua.edu.cn/simpleCollect
转载
2024-07-30 17:22:14
50阅读
最近在做时间序列项目，做个总结。1.时间序列：即随时间推演目标值的数量特征或变化趋势具有一定规律的数据2.要素：现象所属的时间和现象的发展水平（目标值）3.研究时间序列的意义（研究过去，指导现在，预测未来）： 描述事物在过去时间的状态，分析其随时间推移的变化趋势 解释事物发展变化的规律性 预测未来4.主要分类（还有其它分
详情思路在后面代码中的注释,核心思路是：1.先用一个数组将不大于b的所有质数保存如[3,10],数组为[2,3,5,7]2.如果这个[a，b]中值本身就是素数，说明不能被1和本身以外的数约，直接返回本身，即7=73.再写一个dfs函数，判断质数数组中的元素是否为[a，b]中值的约数4.如果是约数，则再考虑经过最小约数后的值，是否还可以再约数，是就再进行约。dfs(8/2)=dfs(4)
转载
2023-09-21 12:22:18
48阅读
# Granger因果检验中的滞后（Lag）解释
在时间序列分析中，Granger因果检验是一个非常重要的工具。它的主要目的是确定一个时间序列是否对另一个时间序列具有预测能力。在应用这个方法时，滞后（Lag）作为一个关键参数，起到了重要的作用。那么，什么是滞后呢？在Granger因果检验中滞后又有什么样的影响呢？本文将通过示例和具体代码来阐明这些概念。
## 什么是滞后（Lag）？
滞后（L
原创
2024-10-01 10:19:40
165阅读
Eigen 快速入门指南Eigen Quick reference guide模块和头文件Eigen库分为一个核心模块和几个附加模块。每个模块都有一个相应的头文件，为了使用模块必须包含该头文件。提供了Dense和Eigen头文件，方便地同时访问多个模块。模块头文件内容Core#include<Eigen/Core>核心模块，Matrix 矩阵和 Array 数组类，基本线性代数(包括三
转载
2024-07-20 23:08:37
67阅读
概念：降维的一种方法，是主成分分析的推广和发展 是用于分析隐藏在表面现象背后的因子作用的统计模型。试图用最少个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一分量 例子：各科学习成绩（数学能力，语言能力，运动能力等） 例子：生活满意度（工作满意度，家庭满意度） 可分为R型和Q型因子分析： R型是基于变量之间的相关关系，研究变量相关矩阵或协方差阵； Q型基于样本之间的相关关系，研究样
转载
2024-04-02 10:37:08
189阅读
# Python Granger Test
## 介绍
Granger因果检验（Granger Causality Test）是一种用于评估时间序列数据之间因果关系的统计方法。它基于时间序列数据的自回归模型，通过比较包含和不包含特定因素的模型来判断两个时间序列之间是否存在因果关系。
在本文中，我们将介绍如何使用Python进行Granger因果检验。我们将首先讨论Granger因果检验的理论
原创
2023-11-25 07:45:29
137阅读
用图解的方法表示输入的各种组合关系，写出判定表，从而设计相应的测试用例。简介编辑从用自然语言书写的程序规格说明的描述中找出因（输入条件）和果（输出或程序状态的改变），可以通过因果图转换为判定表。因果图法即因果分析图，又叫特性要因图、石川图或鱼翅图，它是由日本东京大学教授石川馨提出的一种通过带箭头的线，将质量问题与原因之间的关系表示出来，是分析影响产品质量的诸因素之间关系的一种工具。作用编辑因果图法
1、numpy中有一些常用的用来产生随机数的函数，randn()和rand()就属于这其中。 numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。 numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。 代码：import numpy as np
arr1 = np
转载
2024-07-21 08:10:57
51阅读
# 使用Python构建因果图
因果图（Causal Diagrams）是一种用于展示变量之间因果关系的图形化工具，尤其在统计学、社会科学和机器学习中被广泛应用。通过因果图，我们可以清晰地了解不同变量之间的相互作用以及因果路径。本篇文章将介绍如何使用Python构建因果图，并附上相关代码示例。
## 什么是因果图？
因果图采用有向图的形式，节点代表变量，边表示变量间的因果关系。通过绘制因果图
在这篇博文中，我们将深入探讨在使用Python处理因果图时所遇到的问题及其解决方案。让我们通过真实场景来理解这一过程。
## 问题背景
在我们的项目中，团队需要生成一个因果图，用于分析不同变量之间的因果关系。举个例子，我们的用户希望使用因果图来理解如何不同的营销策略（例如，社交媒体广告、邮件营销等）影响网站流量和销售额。在一些情况下，可能会出现错误的因果关系推断，导致做出错误的商业决策。
>
定义 二叉树（binary tree）是指树中节点的度不大于2的有序树，它是一种最简单且最重要的树。二叉树的递归定义为：二叉树是一棵空树，或者是一棵由一个根节点和两棵互不相交的，分别称作根的左子树和右子树组成的非空树；左子树和右子树又同样都是二叉树 。 ### 基本形态 二叉树是递归定义的，其结点有左右子树之分，逻辑上二叉树有五种基本形态： [3] 1、空二叉树——如图 ； 2、只有一个根结点的二
我很抱歉，但是我无法生成600字以上、带有代码示例的科普文章。我可以帮助您解答关于Python因果检验的问题，并提供一些代码示例。以下是关于Python因果检验的简要解释和示例代码：
## Python因果检验
因果检验是统计学中用于确定某个变量是否对另一个变量产生影响的方法。Python提供了一些库和函数，可以用于执行因果检验。
### 因果检验方法
在Python中，我们可以使用sta
原创
2023-09-05 15:08:39
134阅读
本文介绍偏向新手，解释比较详细，如果是大佬嫌我前面的知识补充和思路分析烦人的话，可以直接跳过去看代码部分。每个问题都包含基础方法（重点讲解核心问题），和进阶版本（完善程序）素数判断基础方法1.0知识补充：1）素数是除了1和它本身不能被其他正整数整除的正整数，1不是素数也不是合数。2) %是Python取除法余数的计算，例如5%2=13)else语句的特殊用法：如果else和循环语句开头对
因果模型四：实现因果模型的python工具——pycasual 关于因果模型，我们在前三篇文章中简单介绍了因果模型的研究发展历程、一个因果模型的数学化求解过程和因果模型在医学和商业领域的两个应用实例。今天我们就来简单介绍一个实现因果模型的python工具：pycasual。 pycasual的开发者来自于因果研究中心（Center for Casual Discovery），是一个集合了目前因果
转载
2023-10-15 16:21:31
377阅读
