返信先:@jx45wGAjt18759そもそもの点を0は低く、20にいくほど非常に高くなるようにする 合計点から全項目に0に近づくほど大きくなるような重みをつけてやって引く 項目の組み合わせの項を作って共分散とかでバランス見て全体を調整する 思いつくだけでもこれくらいあるしもっと色々ありそう。考えるの楽しいねー

あ、相関係数やから共分散と分散をそれぞれ考えろってこと……？

Covって共分散なんやな Cyoうvuんさん、で草

分散共分散行列の逆行列とか名前ふざけてんだろ

質的比較分析+Pytorch_Tabularで競馬予想。高次の交互作用は考えにくいという方がいますが、それは因子の話です。我々が目にする変数は観測変数が多く、ある因子を多方向から観測した結果です。よって観測変数の高次の交互作用は頻繁に生じます。ここらは共分散構造分析で説明すると判りやすいかと。

返信先:@keito_ozそうですね。ファイナンス教育受けてないのでもう少し詳しくなったら。。。 私は高度な話ではなくて高校くらいの単純な話をしてます 全体と部分の共分散を 全体の分散で割り算して標準化する つまり比較するときの軸を揃える操作です これは元ネタがどんなものであってもできます という話です

返信先:@knpnd_言うの遅かったけど一旦、最小二乗法を使って直線の傾きと切片を出す感じ。 で、これはてきとうに有効数字を使って共分散を求めたやつ。 pic.twitter.com/qwtXRGh67s

共分散という存在感が薄い奴に足を掬われるのが一番怖い

返信先:@keito_ozcapmが同一の時間範囲でのsp500に対するその内側に含まれるアップルやテスラの共分散を標準化したもの(β) であることは認識してます 本物の過去の株価を表示してもsp500とアップルはグラフ形状に相関ありますし。 そして異時点間では相関がないのもグラフを見れば分かります 異時点間で相関あれば

返信先:@keito_oz12ヶ月分を毎月ごとのsp500と１年分のsp500の共分散を １年分の分散で割り算する操作を行い一年で標準化した毎月の共分散を出します ただ今回は時系列があるので、前月の結果を翌月に掛け算していかないといけないです

返信先:@keito_oz大きなもの(sp500)とその「内側」に含まれるもの(アップル)の標準化された共分散)をβと呼んでるわけです ここで、同じ考え、つまり 大きなものとその「内側」に含まれるものの共分散を、大きなものの分散で割り算する操作と同じように 長い時間とその内側にある短い時間の共分散を、大きな時間の分散

返信先:@keito_ozcapmを(普通に)使うとき 例えばRmがsp500だとしてその中に含まれる銘柄 アップルをRj、 Rj+1をテスラだとして ある一定期間の アップルとsp500の共分散を sp500の自己共分散で割る 思います つまりアップルとsp500の共分散を標準化したものがβ これは何をやっているかというと

#日本老年療法学会誌 の第3巻が発刊されました． 筆頭著者：三宅 悠斗 先生 「地域在住高齢者における睡眠の質と身体機能との関連性 ～共分散構造分析による介在する要因の検討～」 フリーアクセスですので，是非ご一読ください． jstage.jst.go.jp/article/jgts/3… pic.twitter.com/OzQrCmHLKW

まさか自分が統計学の洋書を買う日が来るとは思っていなかった。邦訳ほしい🥺 右の新書は、共分散構造分析でSPSSやAMOSは触れても、数式やグラフで理解していない私のために先生が推薦してくれた本です。良書。 プロローグの教授と元教え子の会話に時代背景(初版は1992年)を感じてじわじわくる。 pic.twitter.com/j4wSU5C8mL

標本分散共分散行列を対角化すると、その対角成分が標本分散共分散行列の固有値であって、分散に対応する、ではわからないとおもう。

【お申込は本日17時59分まで】 東京理科大学 桃崎先生による「大規模データに対する共分散行列のスパース近似の理解と応用」 ▼概要▼ ガウス過程を用いたモデルの計算コストは、共分散行列のスパース近似により減らすことができます。 スパース近似法の紹介から実装までを一気通貫で解説します。

分散共分散行列でなんでこんな理解するのに苦戦してたんかわからんアホすぎる

*記述統計* x+yの分散=x分散+y分散+2*xとyの共分散。 このxを回帰直線の予測値、yを残差と置き換えると、予測値と残差の和（つまり実測値）の分散=予測値分散+残差分散+2*予測値と残差の共分散、となります。 最小二乗法による回帰直線の予測値と残差の共分散は0なので（略） pic.twitter.com/nYpzc9IhmX

共分散はデータベクトルの内積！！ たぶん理解できた！！おもしろい！ だから標準偏差は大きさで相関係数もcosθの置き換えなんだ！！

多変量回帰モデルの説明変数は、 ①研究対象因子（暴露） ②共変量（調整すべき変数） の2つに大きく分けられると覚えていました。 しかし、「共変量」とは「共分散分析で調整する説明変数のこと」との記載もあり。 共変量は共分散分析のみで使用する言葉？？ それとも、もっと広い意味？？

共分散頭痛いけど好き

CFML本の読み進め。第0章から。まずは確率の復習の節。繰り返し期待値の法則とか、全分散の公式など。あと、独立のときの分散の線形性。まあこれは、共分散を内積と見る視点から、独立を直交、分散をノルムの2乗と見れば、単なるピタゴラスの定理か。

ベクトル、行列の積の概念はとても大事です！ 分散共分散行列、相関行列など、集団の類似性を表すのによく使われています。 特にベクトルの内積はよく使うので復習しておきましょう。 詳細は画像をご覧ください♪ pic.twitter.com/W1keD0vfqH

1変数, 2変数の平均、分散、共分散、標準偏差、相関係数を求めるプログラムをC言語で組んだりもしたもんね 昨年度は ちなみに作ったものを友達に、 「ねぇねぇ見て見て！C言語で作った！☺️」 って見せたら、 「Excelで計算できるよ」 と言われたのはいい思い出

共分散の計算が合わない！！！！

返信先:@mikkamikastudyほいほい〜、考え方は色々ですが共分散はデータの傾向を反映しない→データの傾向を反映するためにそれぞれの標準偏差で補正→コーヒーシュワルツの定理から相関係数の範囲が決定 もしくは、そもそもベクトル内積を移項したらcos=相関係数の式になってるから右辺を相関係数と定義

返信先:@mikkamikastudyちなみにですが、分散と共分散はわかります？

Day90+12：5/12 Today：3.8h（Total：912.3+86.2h） ■学習内容 ・AI（回帰直線、機械学習、前処理 ■感想 回帰直線を描画するコードが、私の記述と解答例とでかなり違っていたので、何の違いか確認する為、回帰直線の引き方を勉強 共分散/Xの分散(x-xの平均)+yの平均 #DMMWEBCAMP　#DWC短期専門2402

分散共分散行列、なんやうるさい行列やなと思ってたけど知ってみるとめちゃくちゃ自然な概念で驚いた。 ポートフォリオ理論と密接な関係にあるのもなるほど頷ける。

位置推定をStampFlyのStampS3に実装するのに９次元の行列計算を行列計算ライブラリ使わずに実装するのにsympyに展開してもらいC言語の式風に整形してもらって出力してみた。誤差共分散の計算9*9=81個の式が並ぶ。こうやって計算量を見るとちゃんと時間で終わるのか早くみたいね。 pic.twitter.com/WKDVrCi9K5

円安が急速に進行した２０２２年初あたりから言ってたけど無視され続けたので、こないだ日米金利差と企業物価PPPからの為替レートの乖離の共分散値をだしてみたんだけど０．３９ぐらいで、そんなに大きくないんだよぬ（１９９０ー２０２４）

共分散行列(笑) ちょっと立ち止まらざるを得ない 腰をすえて理解しよう #Pythonによる気象・気候データ解析

返信先:@hb94j1Kp853DleQ確率変数の和の分散を一般化させると、 V(X+Y)=V(X)+2Cov(X,Y)+V(Y) 因みに、 Cov(X,Y)はXとYの共分散を指します。 Cov(X,Y)=E(XY)-E(X)E(Y)で、 XとYが独立である場合、 E(XY)=E(X)E(Y)より、 Cov(X,Y)=0が成り立ちます。

返信先:@llllllx_x_zZ相関係数ってさ、共分散を標準偏差の積で割るやんか r=s_xy/(σ_xσ_y) これと cos θ=(a・b)/(|a||b|) って似てない？

返信先:@llllllx_x_zZ共分散の式ってなんか内積っぽくない？

Denoiserがpiece-wise linear → Donoiserをヤコビ行列を使って書けるじゃん→最適なデノイザーを考えたらヤコビ行列が共分散行列→ 理想的には固有値が正の実数になる→ adaptiveな基底について分解できる→固有値に何か特別な性質があるのでは？　いう流れだと推測してる

米株とか金とかとの共分散みたり最適なポートフォリオ考えてみようかな

確率変数が独立の場合 共分散は0になるらしいです

昨日は講座『マーケティングサイエンス 理論と実践』の第5回でした！共分散構造分析の適合度指標について、その基礎であるカイ二乗統計量から解説し、適合度検定やRMSEA / GFI / CFI / TLIを解説しました o(^ ^)o 次回から探索的因子分析に入っていきます！#すうがくぶんか pic.twitter.com/Exjc7S8ZXM