- 综合排序
- 最热优先
- 最新优先
- 来自专栏Policy 是门科学
线性回归的结果解释 I：变量测度单位变换的影响
在应用计量经济分析中，有两个基础且重要问题需要关注： 改变因变量和（或）自变量的测度单位（the units of measurement）对OLS估计量将产生什么样的影响？ 变量测度单位变换对结果解读的影响 执行回归命令前，明确变量的单位至关重要。 因变量测度单位成倍变化的影响 表2中的模型（1）和模型（2）分别展示了不同收入测量单位下的回归结果，可得样本回归函数（sample regression function）或OLS回归直线 自变量测度单位成倍变化的影响 表3中的模型（1）和模型（2）分别展示了不同经营收益测量单位下的回归结果，可得样本回归函数（sample regression function）或OLS回归直线 0.10 ** 0.05 *** 0.01) replace 图片 此外，表2和表3的回归结果还表明，OLS回归的拟合效果（goodness-of-fit）不依赖于因变量或是自变量测度单位的变化而改变
5.5K151编辑于 2023-04-25 - 来自专栏mythsman的个人博客
常见的距离测度
在对向量进行相似度计算的时候经常需要纠结的是用什么测度来衡量相似度。 这里就稍微介绍下概念上距离测度的定义，以及简单的距离测度。 距离测度的定义 感觉实距离测度本没有标准的定义，只是人们用多了，也就有了这么个定义。 所谓距离测度(Similarity Measure)就是指一个函数d(x,y)，用空间中的两个点x,y作为参数，输出一个实数值，这个值能够反应这两个点的距离关系。 可以很容易的证明当p>=1的时候，这个距离都是满足距离测度的定义的。不过当 时，他就不满足三角不等式了，也就不算是标准的距离测度了。 上面这些距离测度其实都很好理解，在这里归纳一下主要是为了以后遇到类似距离计算的问题时能够多几种思考的角度。
1.6K20编辑于 2022-11-14 - 来自专栏微生态与微进化
定义群落测度：α多样性分析
Q: 什么是群落测度？ A: 微生物群落的测度（measure）是指对群落矩阵数据的一种度量比较。测度可以用一系列指数（index）或系数（coefficient）来表示。 对于单个对象（样品）的测度计算，可以采用α多样性指数来表示，而对于不同对象之间的比较，则可以采用β多样性指数或者距离。对于变量（物种或环境因子）之间的比较，则采用相关性来比较。 群落测度的分析结果，可用于后续的排序分析、网络分析、聚类分析、判别分析等。
9.5K20编辑于 2022-05-05 - 来自专栏王的机器
测度转换 (下) – 漂移项转换
大概思路就是 先介绍 CMG 定理，但是先研究下不同测度下的正态随机变量（布朗运动）之间的关系，CMG 只是把发现的规律用正式的语言表述。 1 测度转换初体验 1.1 正态随机变量 先考虑一个在 P 测度下的标准正态随机变量 X1 ~ N(0, 1) 和 X2 ~ N(-μ, 1)，令事件 A = {a ≤ X ≤ y}，我们可写出 X1 Q 测度下的标准正态随机变量为 XP 和 XQ，则有如下关系 看个具体例子 XQ = XP + 1，那么 Q 测度下的 N(0, 1) 相当于是 P 测度下的 N(-1, 1)。 在真实测度（P 测度）和风险中性测度（Q 测度）下，资产价格 S(t) 的 SDE 为 实际上我们可以进一步推出 Q 测度下的漂移项是无风险利率 r，推导如下。 假设三个都是随机变量，它们在 Qd 测度下的 SDE 都服从对数正态分布： 注意我故意没有把它们 SDE 的漂移项写出来，因为在后面的推导中只需要扩散项。这样写会极大的简化推导过程。
2.6K10发布于 2020-02-17 - 来自专栏腾讯研究院的专栏
国外数字经济规模测度：经验和建议
三个不同 数字经济测度没有标准做法，各国有着较大差异。四个英语国家的不同主要体现在以下三个方面。 一是承担的部门不同。承担数字经济规模测度的部门主要有行业主管部门和政府统计部门两类。 三个特征 在数字经济规模测度中，四个英语国家走在了前列，体现出三个明显的特征。 第一，不仅测度规模，还测度就业。西方国家十分重视各个行业的就业监测，甚至把就业摆到和规模同等重要的高度。 测度工作面对的客观现实是数字经济不断进化，不断长出新的东西，是发展中的事物。因此，各国均承认数字经济测度是一项挑战，尚没有完美的方法，所做工作仍是探索性的。测度中多采用逐步迭代、不断升级的方式。 三条建议 数字经济规模测度是“房间里的大象”。各国对数字经济的认识也如同盲人摸象，视角有异，重点不同。为进一步强化数字经济测度工作，建议如下。 一是加强研究合作，寻求最大共识。 国际社会对数字经济测度探索众多，但方法论各有不同，结果缺乏可比性。我们要加强数字经济测度和评估的理论研究，将数字经济测度建立在科学严谨的理论框架之下。
51510编辑于 2024-01-05 - 来自专栏王的机器
测度转换 (上) – 等价物转换
Quanto 调整 价值调整 - 时间调整 价值调整 - CVA 价值调整 - DVA 价值调整 - FVA 价值调整 - MVA 价值调整 - KVA 0 引言 对金融产品估值时，我们会对某些随机变量在某种测度下求期望 如果通过转换测度（测度 A 到测度 B）能减少变量个数的话，比如期望符号里从两个随机变量减少到一个随机变量，那么问题会大大简化。 简化完了问题之后，我们还需要知道剩余的随机变量的在测度 B 下的随机微分方程（漂移项改变，扩散项不变），这样才能最终完成推导。 在随机利率环境下，比较在 T-远期测度和风险中性测度下的定价公式： 比较上面两个公式，在 QT测度下我们只用求 1个随机变量的期望，而在 Q 测度下我们需要求 2 个随机变量的期望，因此当利率是随机变量时 在定价股票期权时，比起股票价格，利率对期权价格的影响要小得多，因此把利率当成确定变量甚至常数。
3.2K20发布于 2020-02-17 - 来自专栏kevindroid
mahout学习之聚类（1）——向量的引入与距离测度
其实有一个问题，那就是颜色的差异在距离测度上大于其他两者，可以通过加权来解决这个问题。 选择的p值取决于对该向量采取哪种距离测度，如果是曼哈顿距离测度，那就用一范数，其他同理。 余弦距离测度 坐标与原点形成一条向量，坐标之间的夹角即为余弦距离测度： ? 直观一点： ? 值得注意的一点是，这种测度方式不关心长度，只关心方向，测度的范围从0.0（方向相同）到2.0（方向相反）。 Mahout实现这个度量的类为： CosineDistanceMeasure. 加权距离测度 mahout还提供了一个基于欧式距离或者曼哈顿距离的测度实现，WeightedDistanceMeasure类。
1.3K40发布于 2018-06-20 - 来自专栏数据小魔方
R语言在收入不平等指标测度上的应用~
以下代码一共分为两类，一类是计算个人所得税的代码，一类是衡量收入分配不均等的测度指标。 14750}) 因为个人所得税的计算肯定是要给纳税人打标签的， 即算出来的应纳税额必然要与纳税人的ID一一对应，所以我直接用了含有税前收入的数据框作为函数的参数，具体运用的时候，记得你的数据框中必须要有同名的变量 ，或者可以修改上述代码中税前收入的变量名，改成与你的含税前收入的数据框税前收入名称一致即可。 Scale=c(GX,GY,CT,CY,t,CXT,MT,P,H,V,Ded,Ratio) )) } MT公式的参数仍然是一个数据框，数据框中的四个必备变量是 如果不想更改以上代码，你需保证你指定的数据框中含有以上四个同名变量，当然你可以将代码中的变量修改为你数据框中的四个相同指标的变量名。
1.3K70发布于 2018-04-11 - 来自专栏若尘的技术专栏
时空质的外延部份涉及到其数值测度问题
第2点 测量关系 时空质的外延部份涉及到其数值测度问题，其测度数值都是相对于参照系的，而且都只能够是近似值。测度时空质的数值是科学上要具体解决的问题。 在爱恩斯坦以前是在虚拟静止参照系下分别测度的，具体了它们的各自独立性;爱恩斯坦增加了在实际运动参照系下的共尺测度方法，具体了它们的相互联系性。 时空质的依存关系确立了事物的演化秩序。 如果在测度上以绝对常量光速c为共尺，此秩序可由以下爱因斯坦狭义相对论公式具量表达: T=γ(t-vr/c^2)，动时间T，静时间t， 相对运动下钟变慢; R=γ(r-vt)， 动距离R，静距离r， 相对运动下尺变短 其中γ=1/√(1-v^2/c^2) 用绝对常量去测度各种变量以求取变量间的函数关系，是人类的小智慧;而用无限长的时空质尺子去测度"历时有尽"的事件和"占空有界"的物件以创造万事万物，则是宇宙的大智慧。
40754发布于 2021-11-20 - 来自专栏用户5637037的专栏
复杂置信函数理论中的证据距离测度
原文标题：Evidential distance measure in complex belief function theory 摘要：本文提出了一种证据距离测度，它可以度量由复数组成的复杂基本信念分配
64610发布于 2019-07-17 - 来自专栏韩曙亮的移动开发专栏
【MATLAB】变量 ( 变量引入 | 变量类型 )
文章目录 一、变量引入 ( ans 默认变量 ) 二、变量类型 一、变量引入 ( ans 默认变量 ) ---- 使用 matlab 代码编写如下公式时 , 公式层级很多 , 很复杂 , 需要很多括号进行优先级限制 中 , 每一步的计算结果自动存储在 ans 变量中 , 如果要分步进行计算 , 可使直接调用 ans 变量当做前一步骤的输出结果 ; 分步计算的 matlab 代码 : (1 + 2 + 3 + 4) ---- 在 matlab 中变量不需要声明 , 可以直接使用 , 变量的类型根据赋值的类型确定 , 变量类型是自动判定的 ; 变量类型 : 如果声明一个变量不为其赋值 , 该变量默认为 double 类型 ; 将 10 数值赋值给 a 变量 , a 变量的类型就是一个整型 ; a = 10 运行该代码 , 结果如下 : >> Untitled a = 10 >> 双击 " 工作区 " 中的 " a " 变量 , 可以在 " 变量 " 界面中看到 a 变量的类型 , 是 1 \times 1 的 double 类型 ; 在命令行中使用 who 和 whos 命令 , 可以得到当前工作区变量的简略和详细信息
6.2K20编辑于 2023-03-29 - 来自专栏王的机器
估值调整 - 时间调整
那么从 T 远期测度下到 M 远期测度下的 RN 衍生物为 那么和变量 Y(T) 挂钩的金融产品的现值为 以上推导涉及到测度转化，详细介绍参考〖量化金融十大课题 (下)〗一贴。 因此为了简化问题，我们通常假设利率不是随机变量，上面估值公式中的 P(T, M) 也不是随机变量，可从期望符号中提出来。此外，远期测度也就是风险中性测度，我们可以把期望符号上标符号去掉。 构建 S(t)/P(t,M) 变量，它和远期利率 F 在 M 远期测度下是鞅，因此 d(S/P) 和 dF 的漂移项为零。 4 总结 到目前三种类型的估值调整已经全部讲完，我们总结一下： 凸性调整：在风险中性测度和远期测度下变量的差异 Quanto 调整：在货币一测度和货币二测度下变量的差异 时间调整：在 T1 远期测度和 T2 远期测度下变量的差异 之所以要做调整，本质上是因为变量在不同测度下的值不同，因此量化这些调整需要测度变换（change of measure），这是下帖的内容。
2K10发布于 2020-01-14 - 来自专栏ACM算法日常
n维空间的多面体的有向测度和重心
缘起 在《三维凸包》中我们学习了如何求三维空间中的点集凸包，本文来论述二维、三维甚至高位几何体的测度和重心的计算. 所谓测度，对于二维，指的是面积，对于三维，指的是体积. 所以测度的分布就决定了重心的位置. 所以我们先要会计算测度才能进一步计算重心. 测度在本文不做特别说明的话指的就是有向测度. 令 n 维单纯形的顶点坐标为 那么，n 维单纯形的有向测度为 ? 有了单纯形的有向测度公式，我们就来推导单纯形的重心公式. 然后dfs遍历完整棵树之后，累加得到的有向测度就得到了整个n维多面体的有向测度. 然后各个单纯形的重心关于有向测度的加权平均得到的就是整个多面体的重心. 而n维单纯形的重心是极为好求的. 至此，n维空间的多面体的有向测度+重心问题已经得到了圆满的解决.
4.1K30发布于 2020-09-10 - 来自专栏王的机器
估值调整 - Quanto 调整
EURIBOR LEUR(t, U, T) 在 TEUR 测度下是鞅，但在 TUSD 测度下不是，假设为它服从几何布朗运动，我们目标就是求出漂移项 μ， 推导思路很巧妙，需要构造几个在 TUSD测度下是鞅的变量 现在我们目标是求出在 TEUR 测度下 LIBOR LUSD(t, U, T) 的 SDE 推导思路和上面类似，需要构造几个在 TEUR 测度下是鞅的变量，比如 XUSDEUR(T)：表达式为 SUSDEUR (t) 在 QCNY 测度下的漂移项 μ， 推导思路很巧妙，构造变量 CUSD(t) · XUSDCNY(t)/βCNY(t) 使其在 QCNY测度下是鞅，其中 XUSDCNY(t)：时点 t 的 USDCNY 现在我们目标是求出在 QUSD 测度下 CCNY(t) 的 SDE 推导思路和上面类似，构造变量 CCNY(t) ·XCNYUSD(t)/βUSD(t) 使其在 QUSD测度下是鞅。 用 M(t) 来抽象表示通用变量 L(t, U, T), C(t), S(t) 和 X(t)，它在自然估值货币 DOM 和结算货币 QUT 不同测度下的 SDE 可写成 两者之间的唯一差异就是 μ，计算
4.7K20发布于 2020-01-14 - 来自专栏个人技术博客
【Java变量】 局部变量、成员变量（类变量，实例变量）、方法参数传递机制
局部变量与成员变量的区别： 局部变量与成员变量的区别： ①声明的位置： 局部变量：方法体{}内，形参，代码块{}中 成员变量：类中方法外 类变量：有static修饰 实例变量：没有static修饰 ②修饰符： 局部变量：final 成员变量：public、protected、private、final、static、volatile、transient ③值存储的位置： 局部变量：栈，虚拟机栈 类变量：方法区，用于存储已被虚拟机加载的类信息、常量、静态变量、即时编译器编译后的代码等数据。 ④作用域： 局部变量：从声明处开始，到所属的}结束。 实例变量：在当前类中“this.” 类变量：在当前类中“类名.”（有时类名.可以省略），在其他类中“类名.”，或“对象名.”访问。 ⑤生命周期： 局部变量：每一个线程，每一次调用执行都是新的生命周期。 实例变量：随着对象的创建而初始化，随着对象的被回收而消亡，每个对象的实例变量都是独立的。 ---- 2.
1.1K30编辑于 2023-10-25 - 来自专栏云计算运维
Java中静态变量(类变量)、实例变量、局部变量和成员变量
age; //成员变量、实例变量 private int ID; //成员变量、实例变量 public static final String school = "卡塞尔学院"; //成员变量、静态变量(类变量) public static String level = "SSS"; //成员变量、静态变量(类变量) public int getAge 成员变量：作用范围是整个类，相当于C中的全局变量，定义在方法体和语句块之外，一般定义在类的声明之下；成员变量包括实例变量和静态变量(类变量)； 实例变量：独立于与方法之外的变量，无static修饰， 声明在一个类中，但在方法、构造方法和语句块之外，数值型变量默认值为0，布尔型默认值为false，引用类型默认值为null； 静态变量(类变量)：独立于方法之外的变量，用static修饰，默认值与实例变量相似 ，一个类中只有一份，属于对象共有，存储在静态存储区，经常被声明为常量，调用一般是类名.静态变量名，也可以用对象名.静态变量名调用； 局部变量：类的方法中的变量，访问修饰符不能用于局部变量，声明在方法、构造方法或语句块中
3.3K20发布于 2021-07-19 - 来自专栏浮躁的喧嚣
成员变量 局部变量 全局变量
成员变量 @interface Person:NSObject { int age; } @end 写在类声明的大括号中的变量，我们称之为成员变量（属性、实例变量） 成员变量只能通过对象访问 成员变量不能离开类，离开类之后就不是成员变量 成员变量不能在定义的同时进行初始化 存储：堆（当前对象对应的堆的存储空间中）。 存储在堆中的数据，不会被系统释放，只能程序员自己释放 局部变量 -(void)info{ int age = 0; } 写在函数或者代码块中的变量，我们称之为局部变量 作用域：从定义的那一行开始 ，作用域是整个工程，在一个文件内定义的全局变量，在另一个文件中，通过external全局变量的声明，就可以使用全局变量。 static修饰的全局静态变量，作用域是声明此变量所在的文件。
75810编辑于 2023-11-22 - 来自专栏学弱猹的精品小屋
随机过程（3）——无限状态的平稳测度，返回时间，访问频率：几个定理的证明
换句话说，在这之后，其实从随机变量的意义上来说，有点像求极限中，两个值的差距已经可以“要多小有多小”了。 这种方法一般来说叫作组合（coupling），简单来说就是把它们俩看作一个多元的随机变量，并研究这个多元的随机变量所形成的随机过程的性质。那么在这里，事实上我们就是在研究 的性质。 Definition 2: Stationary Measure 如果对于一个测度 而言，如果满足 ，那么称这个测度为一个平稳测度。 那么对于平稳测度，我们自然会有一个和平稳分布类似的结论。 Theorem 2: 设马尔科夫链不可约且常返，那么存在平稳测度满足 。 这个定理也是一个名副其实的大定理。 当然这里的证明，这一条马尔科夫链只是一个工具，我们所要用的只是中间涉及到的 这些与时间相关的随机变量而已。
2.2K20发布于 2021-08-10 - 来自专栏未竟东方白
【笔记】《计算机图形学》(14)——采样
概率分布函数图像 14.2.2 One-Dimensional Expected Value 一维期望 期望值描述了从某个随机变量分布中取值时“期望得到的值”，其可由多次抽取后的均值来进行估计。 期望 14.2.3 Multidimensional Random Variables 多维随机变量 一维期望和一维概率密度函数都可以很自然地扩展到多维中，由于前面引入了测度的思想，扩展的思路就是通过在多维空间中定义新的测度 14.2.4 Variance 方差 方差表示了随机变量与其分布的期望的差的平方形成的随机变量的期望，也就是下面的式子，其用于描述一个随机变量分布的集中程度，方差越大变量分布偏离越大越难以估计。 对于独立同分布的随机变量(图形学中很常见)，我们可以用多个抽样结果的平均值来近似均值，而且随着抽样次数的增加，方差会逐步变小直到可以将这个平均值作为真实期望使用。 ? 但是均匀分布的随机点很多时候并不能很好地对目标进行估计，因为目标随机变量分布可能汇聚在某个区域，均匀分布对所有区域都平等对待的思路使得我们在目标分布概率很低的地方进行了过多的采样而目标分布集中的区域也只是相同数量的采样点而已
2.2K61发布于 2021-04-13 - 来自专栏全栈程序员必看
成员变量,类变量,局部变量的区别是什么_内部变量和局部变量
如果局部变量的名字和成员变量的名字相同， 要想在该方法中使用成员变量，必须使用关键字this class People { String name = "类体重定义的name"; //类中的成员变量并赋值 成员变量和类变量的区别 由static修饰的变量称为静态变量，其实质上就是一个全局变量。 不同的对象的实例变量将被分配不同的内存空间， 如果类中的成员变量有类变量，那么所有对象的这个类变量都分配给相同的一处内存，改变其中一个对象的这个类变量会影响其他对象的这个类变量，也就是说对象共享类变量。 3、别名不同 成员变量也称为实例变量。 静态变量也称为类变量。 4、数据存储位置不同 成员变量存储在堆内存的对象中，所以也叫对象的特有数据。 成员变量和静态变量的区别： 1、成员变量所属于对象。所以也称为实例变量。 静态变量所属于类。所以也称为类变量。 2、成员变量存在于堆内存中。
2.3K30编辑于 2022-11-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号