s***e
发帖数: 911 | 1
经度和纬度的定义我不知道, 不过猜测估计是球坐标下的两个角度:
定义两级连线的一个方向为z方向, 纬度是坐标位置矢量和z轴夹角,
设为\theta(坐标原点取为地球心); 设和z轴垂直的任何一个方向为x轴,
选x-z平面的法线为y轴. 则经度应当是位置坐标在x-y平面投影线和x轴
的夹角,设为\phi. 设地球是个圆球,则地面任何一点坐标可以被经度和
纬度确定:
x0=R*Sin[\theta0]*Cos[\phi0]
y0=R*Sin[\theta0]*Sin[\phi0]
z0=R*Cos[\theta0]
另外一点坐标是:
x1=R*Sin[\theta1]*Cos[\phi1]
y1=R*Sin[\theta1]*Sin[\phi1]
z1=R*Cos[\theta1]
两个位置矢量之夹角\psi可以被算出:
x0*x1+y0*y1+z0*z1=R^2*Cos[\psi]
Cos[\psi]=Cos[\theta0]*Cos[\theta1]+Cos[\phi1-\phi0]*Sin[\theta0]*Sin[\tehta1]
经度纬度差肯定不能唯一确定一个距离的, 你得至少 |
|
b*****e
发帖数: 5 | 2 谢谢楼上的，可是还是不明白呀，能具体说说吗？null应该是good fit,我印象中score
test, 不都应该是H0: theta=theta0 之类的吗，stat是s(theta0)^2/I(theta0), 那
theta0在这种情况下是什么呀？
另外你说的LRT taylor展开是什么呀，我只见过likelihood一阶导展开，你说的是LRT
statistic 展开？那是around什么展开呢，很困惑呀。。。 |
|
c********h
发帖数: 330 | 3 你做goodness of fit也是h0: theta = theta0，theta0是在h0的dist下，在每一个区
间内的概率
LRT那里面会有个log，就是对log展开，扔掉一个little op项
这两个检验，还有Wald test都是asymp equivalent，极限分布一样
score
LRT |
|
i******l
发帖数: 268 | 4 从力矩=角加速度开始，设人爬杆长度r=r0+vt,杆初始倾斜角度theta0=0,
mgr sin(theta)=mr^2 dtheta/dt
g sin(theta) = r dtheta/dt
g(r0+vt)dt = dtheta/sin(theta)
左右积分 |
|
s*******h
发帖数: 113 | 5 不太懂MD，看paper看糊涂了。。。
bending的计算公式是U=sigma(k/2*(theta-theta0)，这个求和求的是哪些角的和？
还有就是有没有可能通过求一个以一个原子为顶点所有角的bending（比如说甲烷中心
原子的三个H-C-H角，求和对位置求导来求这个原子的弯曲力? |
|
m*********t
发帖数: 527 | 6 这个求和是有 convention 的，查一下 Z-Matrix 那个玩意儿。另外，(theta-theta0)
^2 肯定是要有 2 次方的。。。 |
|
A****t
发帖数: 141 | 7 If the test statistic (theta.hat-theta0)/SE follows t distribution, t^2 is
an F distribution and they are equivalent.
If it is approximated by a standard normal distribution, then the Wald
statistic follows a chi-square which could be very close to F distribution. |
|
b*****e
发帖数: 5 | 8 万分感谢你的回答！那是不是对binomial，每个theta0(我后面用的是pi_i_0)就是相应
的yi/ni，因为与data完全吻合相当与good fit?就是saturated model. 你说的展开是
否为：对每个i, logL(pi_i_0)=logL(pi_i_hat)+0＋1/2*(pi_i_0-pi_i_hat)^2*logL''
(pi_i_hat) +...得到LRT stat 约等于 (pi_i_0-pi_i_hat)^2*-logL''(pi_i_hat), 然
后能得到pearson里的(y_i-n_i*pi_i_hat)^2/(n_i*pi_i_hat*(1-pi_i_hat))？可是我
好像得不到这个结论呢。因为LRT里是-logL''(pi_i_hat)＝yi/pi_i^2 + (ni-yi)/(1-
pi_i)^2,没有expectation代入mle,是observed info; 如果是取了expectation再代入
mle,就是wald's test的分母,倒是可以得到结论。 你说的score test难道是等同于(O_
i-E_i)^2/E... 阅读全帖 |
|
