Размер эффекта Cohen's d для двух средних: формула d=\frac{\bar x_1-\bar x_2}{s_p} помогает величины d, x_1, x_2, s_p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$d=\frac{\bar x_1-\bar x_2}{s_p}$
Коэффициент V Крамера для таблицы сопряженности: формула V=\sqrt{\frac{\chi^2}{n(k-1)}} помогает требуется требуется требуется требуется требуется требуется оценить силу связи в категориальной таблице. В тексте есть условия, пример, ошибки и проверка результата.
$V=\sqrt{\frac{\chi^2}{n(k-1)}}$
Precision, recall и F1 для классификации: формула F_1=\frac{2PR}{P+R} помогает требуется требуется требуется требуется требуется важны и точность, и полнота. В тексте есть условия, пример, ошибки и проверка результата.
$F_1=\frac{2PR}{P+R}$
ROC AUC методом трапеций по точкам: формула AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1}) помогает величины AUC, TPR, FPR заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1})$
Binary log loss для вероятностной классификации: формула L=-\frac1n\sum(y\log p+(1-y)\log(1-p)) помогает величины L, n, y, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$L=-\frac1n\sum(y\log p+(1-y)\log(1-p))$
Brier score для вероятностного прогноза: формула BS=\frac1n\sum(p_i-y_i)^2 помогает величины BS, p_i, y_i, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$BS=\frac1n\sum(p_i-y_i)^2$
sMAPE для ошибки прогноза: формула sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2} помогает величины F_t, A_t, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2}$
MASE для сравнения прогноза с наивной моделью: формула MASE=\frac{MAE}{MAE_{naive}} помогает величины MASE, MAE заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$MASE=\frac{MAE}{MAE_{naive}}$
Сезонный наивный прогноз временного ряда: формула \hat y_{t}=y_{t-m} помогает величины y, t, m заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$\hat y_{t}=y_{t-m}$
Автокорреляция временного ряда на лаге k: формула r_k=\frac{\sum(y_t-\bar y)(y_{t-k}-\bar y)}{\sum(y_t-\bar y)^2} помогает требуется требуется требуется требуется требуется требуется проверить, повторяется ли ряд с задержкой k. В тексте есть условия, пример, ошибки и проверка результата.
$r_k=\frac{\sum(y_t-\bar y)(y_{t-k}-\bar y)}{\sum(y_t-\bar y)^2}$
MAE регрессии по остаткам: формула MAE=\frac1n\sum|y_i-\hat y_i| помогает величины MAE, y_i, y_hat, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$MAE=\frac1n\sum|y_i-\hat y_i|$
Скорректированный R-squared регрессии: формула R^2_{adj}=1-(1-R^2)\frac{n-1}{n-p-1} помогает величины R, n, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.
$R^2_{adj}=1-(1-R^2)\frac{n-1}{n-p-1}$
Гармоническое среднее усредняет положительные величины через их обратные значения. Для движения по равным участкам оно даёт среднюю скорость всего пути, учитывая разное время на каждом участке.
$H=\frac{n}{\sum_{i=1}^{n}1/x_i}$
Геометрическое среднее заменяет набор положительных множителей одним одинаковым множителем, сохраняя их произведение. Для последовательных изменений оно усредняет коэффициенты роста, а не проценты напрямую.
$G=\left(\prod_{i=1}^{n}x_i\right)^{1/n}=\exp\left(\frac{1}{n}\sum_{i=1}^{n}\ln x_i\right)$
Моментный коэффициент асимметрии нормирует средний куб отклонений на масштаб разброса. Положительный знак показывает преобладание правых кубических отклонений, отрицательный — левых.
$g_1=\frac{m_3}{m_2^{3/2}},\qquad m_k=\frac1n\sum_{i=1}^{n}(x_i-\bar x)^k$
Эксцесс сравнивает нормированный четвёртый центральный момент с уровнем нормального распределения. В этой записи нормальный закон имеет эксцесс 0, а ненормированный по смещению коэффициент куртозиса равен 3.
$g_2=\frac{m_4}{m_2^2}-3,\qquad m_k=\frac1n\sum_{i=1}^{n}(x_i-\bar x)^k$
Неравенство Чебышёва ограничивает вероятность отклонения случайной величины от её среднего через дисперсию. Оно не требует нормального распределения и даёт верхнюю границу, а не точную вероятность события.
$P(|X-\mu|\ge a)\le\min\left(1,\frac{\sigma^2}{a^2}\right),\qquad a>0$
Коэффициент Спирмена измеряет согласованность порядка двух величин. Формула через квадраты разностей рангов применяется без совпадающих значений; при связках используют корреляцию средних рангов.
$r_s=1-\frac{6\sum_{i=1}^{n}d_i^2}{n(n^2-1)}$
Коэффициент Кендалла тау-а сравнивает числа согласованных и несогласованных пар наблюдений. Без совпадений это разность долей пар с одинаковым и противоположным порядком двух показателей.
$\tau_a=\frac{C-D}{\binom{n}{2}}=\frac{2(C-D)}{n(n-1)}$
MAD — медиана абсолютных расстояний наблюдений от медианы выборки. Эта мера разброса меньше реагирует на отдельные крайние значения, чем стандартное отклонение, и сохраняет единицы исходной величины.
$m=\operatorname{med}(x_1,\ldots,x_n),\qquad MAD=\operatorname{med}_{i}|x_i-m|$
Усечённое среднее получают, удалив одинаковое число наименьших и наибольших наблюдений, а затем усреднив оставшиеся. Параметр k задаёт число удалений с каждого края, а не общее число отброшенных значений.
$\bar{x}_{\mathrm{trim}}=\frac{1}{n-2k}\sum_{i=k+1}^{n-k}x_{(i)}$
Винзоризированное среднее ограничивает влияние хвостов: k нижних значений заменяют ближайшей оставшейся границей, k верхних — верхней границей. Количество наблюдений и знаменатель n сохраняются.
$\bar{x}_W=\frac{kx_{(k+1)}+\sum_{i=k+1}^{n-k}x_{(i)}+kx_{(n-k)}}{n}$
Доверительный t-интервал оценивает среднее генеральной совокупности, когда её дисперсия неизвестна и стандартное отклонение вычислено по выборке. Границы строят из выборочного среднего, стандартной ошибки и квантиля распределения Стьюдента.
$\bar{x}\pm t_{1-\alpha/2,n-1}\,\frac{s}{\sqrt{n}}$
Парный t-критерий проверяет гипотезу о среднем различии двух связанных измерений. Сначала для каждого объекта вычисляют разность, затем сравнивают среднюю разность с заданным значением с учётом её выборочного разброса.
$t=\frac{\bar d-\mu_{d,0}}{s_d/\sqrt n},\quad d_i=Y_i-X_i$
Критерий χ² согласия сравнивает наблюдаемые частоты категорий с ожидаемыми частотами заданного вероятностного распределения. Статистика суммирует нормированные квадраты отклонений и оценивается по правому хвосту распределения χ².
$\chi^2=\sum_{i=1}^{k}\frac{(O_i-E_i)^2}{E_i},\quad E_i=np_i$
Расстояние полной вариации равно наибольшему расхождению вероятностей одного события по двум распределениям. Для конечного алфавита его считают как половину суммы модулей разностей.
$d_{\mathrm{TV}}(P,Q)=\frac12\sum_i|p_i-q_i|=\max_A|P(A)-Q(A)|$
Точный интервал Клоппера—Пирсона оценивает неизвестную вероятность успеха по числу успехов x в n независимых испытаниях Бернулли. Его границы находят из биномиальных хвостов; при доверии 95% покрытие не меньше 95%, но интервал может быть шире приближённых вариантов.
$p_{\mathrm{н}}=B^{-1}(\alpha/2; x,n-x+1),\quad p_{\mathrm{в}}=B^{-1}(1-\alpha/2; x+1,n-x)$
Точный критерий Мак-Немара проверяет изменение доли бинарного исхода в связанных парах. При нулевой гипотезе и фиксированном числе разногласий m число переходов одного направления имеет биномиальное распределение с p=1/2; здесь приведён двусторонний p-value по равным хвостам.
$m=b+c,\quad X\mid m\sim\operatorname{Bin}(m,1/2),\quad p_{\mathrm{равн.хв.}}=\min\!\left(1,2\sum_{j=0}^{\min(b,c)}\binom{m}{j}2^{-m}\right)$
Точный критерий Фишера проверяет связь двух бинарных признаков в таблице 2×2 при условии фиксированных полей. Вероятность каждой допустимой таблицы задаёт гипергеометрическое распределение; здесь двусторонний p-value определён как сумма вероятностей таблиц, не превосходящих вероятность наблюдаемой таблицы.
$h(a)=\frac{\binom{c_1}{a}\binom{N-c_1}{r_1-a}}{\binom{N}{r_1}},\quad p_{\mathrm{2s}}=\sum_{a:\,h(a)\le h(a_{\mathrm{набл.}})}h(a)$
Метод Ньюкомба 10 строит доверительный интервал для разности двух независимых биномиальных долей, сочетая Wilson score границы каждой группы по квадратам отклонений. Он не подменяет неопределённость разности простым Wald стандартным отклонением и сохраняет асимметрию у крайних долей.
$\begin{aligned}\hat p_i&=x_i/n_i,\\L_i,U_i&=\frac{\hat p_i+z^2/(2n_i)\pm z\sqrt{\hat p_i(1-\hat p_i)/n_i+z^2/(4n_i^2)}}{1+z^2/n_i},\\d_L&=d-\sqrt{(\hat p_1-L_1)^2+(U_2-\hat p_2)^2},\\d_U&=d+\sqrt{(U_1-\hat p_1)^2+(\hat p_2-L_2)^2}.\end{aligned}$
Интервал Гарвуда оценивает постоянную интенсивность событий λ по счётчику x и суммарной экспозиции T. Границы выражаются квантилями χ²-распределения с 2x и 2(x+1) степенями свободы; при нуле событий нижняя граница равна нулю, а верхняя остаётся положительной.
$\lambda_L=\frac{\chi^2_{2x;\alpha/2}}{2T},\quad \lambda_U=\frac{\chi^2_{2(x+1);1-\alpha/2}}{2T},\quad \chi^2_{0;q}=0$
Критерий Неймана — Пирсона даёт максимальную мощность при заданном уровне значимости для двух простых гипотез. Нулевую гипотезу отклоняют, когда отношение правдоподобий в пользу альтернативы превышает порог. На самом пороге допускается случайный выбор.
$\varphi^*(x)=\begin{cases}1,&f_1(x)>c f_0(x),\\\gamma,&f_1(x)=c f_0(x),\\0,&f_1(x)<c f_0(x),\end{cases}\qquad \mathbb{E}_0[\varphi^*(X)]=\alpha$
Критерий Уилкса сравнивает максимальные правдоподобия вложенных моделей. При выполнении условий регулярности удвоенный выигрыш в логарифме правдоподобия сравнивают с χ², а число степеней свободы равно разности размерностей моделей.
$D=2(\ell_1-\ell_0)\ \xrightarrow[H_0]{d}\ \chi^2_{d_1-d_0}$
Скор-критерий Рао проверяет, насколько сильно логарифм правдоподобия растёт при отходе от нулевого значения параметра. Квадрат производной в этой точке делят на информацию Фишера и сравнивают результат с χ².
$S=\frac{U(\theta_0)^2}{I(\theta_0)}\ \xrightarrow[H_0]{d}\ \chi^2_1$
Профильный интервал объединяет значения интересующего параметра, при которых потеря максимального правдоподобия не превышает порог. Для каждого проверяемого значения остальные параметры оценивают заново.
$\begin{gathered}\ell_p(\psi)=\sup_\eta\ell(\psi,\eta)\\D(\psi)=2[\ell_p(\hat\psi)-\ell_p(\psi)]\\C_{1-\alpha}=\{\psi:D(\psi)\le\chi^2_{1;1-\alpha}\}\end{gathered}$
Оценка Каплана — Мейера восстанавливает долю объектов без события к заданному времени, когда некоторые наблюдения закончились раньше события. Кривая падает только в моменты событий.
$\widehat S(t)=\prod_{t_i\leq t}\left(1-\frac{d_i}{n_i}\right)$
Оценка Нельсона — Аалена складывает доли событий среди объектов, остававшихся под наблюдением. Она даёт накопленный риск, который может быть больше единицы.
$\widehat H(t)=\sum_{t_i\leq t}\frac{d_i}{n_i}$
Формула Гринвуда оценивает выборочную дисперсию кривой Каплана — Мейера в заданный момент. Квадратный корень из дисперсии даёт стандартную ошибку этой оценки.
$\widehat{\mathrm{Var}}\!\left[\widehat S(t)\right]=\widehat S(t)^2\sum_{t_i\leq t}\frac{d_i}{n_i(n_i-d_i)}$
Сбалансированная точность усредняет доли верных ответов внутри двух истинных классов. Положительный и отрицательный классы получают равный вес, даже если в выборке объектов одного класса намного больше.
$\operatorname{BA}=\frac12\left(\frac{TP}{TP+FN}+\frac{TN}{TN+FP}\right)$
Коэффициент Мэтьюса измеряет корреляцию между истинными и предсказанными бинарными метками. В нём участвуют все четыре числа матрицы ошибок, включая верно распознанные отрицательные объекты.
$\operatorname{MCC}=\frac{TP\,TN-FP\,FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$
Каппа Коэна сравнивает наблюдаемое согласие двух экспертов с тем, которое получилось бы при независимом выборе категорий с их фактическими долями.
$\kappa=\frac{p_o-p_e}{1-p_e},\qquad p_e=\sum_{j=1}^K p_{1j}p_{2j}$
Average precision усредняет точность по порогам с весами, равными приростам полноты. Для разных оценок объектов это среднее точностей на позициях истинно положительных объектов.
$\operatorname{AP}=\sum_{i=1}^m (R_i-R_{i-1})P_i,\qquad R_0=0$
Метод Хольта отдельно сглаживает текущий уровень ряда и скорость его изменения. Прогноз на несколько периодов получается продолжением обновлённого локального тренда.
$\begin{aligned}\ell_t&=\alpha y_t+(1-\alpha)(\ell_{t-1}+b_{t-1}),\\ b_t&=\beta^*(\ell_t-\ell_{t-1})+(1-\beta^*)b_{t-1},\\ \hat y_{t+h|t}&=\ell_t+hb_t.\end{aligned}$
Затухающий тренд Хольта уменьшает вклад каждого следующего шага. Прогноз сначала меняется в сторону наклона, а на больших горизонтах приближается к конечному уровню.
$\begin{aligned}\ell_t&=\alpha y_t+(1-\alpha)(\ell_{t-1}+\phi b_{t-1}),\\ b_t&=\beta^*(\ell_t-\ell_{t-1})+(1-\beta^*)\phi b_{t-1},\\ \hat y_{t+h|t}&=\ell_t+b_t\sum_{i=1}^h\phi^i.\end{aligned}$
В аддитивном методе Хольта — Уинтерса сезонный эффект измеряется в единицах наблюдений. Прогноз складывается из уровня, накопленного тренда и поправки для нужной фазы цикла.
$\begin{aligned}\ell_t&=\alpha(y_t-s_{t-m})+(1-\alpha)(\ell_{t-1}+b_{t-1}),\\ b_t&=\beta^*(\ell_t-\ell_{t-1})+(1-\beta^*)b_{t-1},\\ s_t&=\gamma(y_t-\ell_{t-1}-b_{t-1})+(1-\gamma)s_{t-m},\\ \hat y_{t+h|t}&=\ell_t+hb_t+s_{t+h-m(k+1)},\quad k=\lfloor(h-1)/m\rfloor.\end{aligned}$
Мультипликативный метод Хольта — Уинтерса выражает сезонность коэффициентом. Один и тот же сезонный индекс сильнее меняет прогноз, когда уровень ряда выше.
$\begin{aligned}\ell_t&=\alpha y_t/s_{t-m}+(1-\alpha)(\ell_{t-1}+b_{t-1}),\\ b_t&=\beta^*(\ell_t-\ell_{t-1})+(1-\beta^*)b_{t-1},\\ s_t&=\gamma y_t/(\ell_{t-1}+b_{t-1})+(1-\gamma)s_{t-m},\\ \hat y_{t+h|t}&=(\ell_t+hb_t)s_{t+h-m(k+1)},\quad k=\lfloor(h-1)/m\rfloor.\end{aligned}$