Nano Hash - криптовалюты, майнинг, программирование

Статистические данные

Это мой код:

drop _all
set obs 50

forvalues k = 1/2 {
gen b`k' = .
}

forvalues i=1/1000 {
gen u = rnormal()
gen d = rnormal()


forvalues j = 1/2 {
quietly replace b`j' =  mean(u)  in `i' 
quietly replace b`j' =  mean(d)  in `i' 

}
drop u d
}

forvalues l = 1/6 {
su b`l'
}
hist b1

Если я ставлю obs = 50, это не работает. Ошибка

Обс. № вне диапазона

Если я устанавливаю obs> 1000, все работает нормально.

Что случилось?

26.05.2014

  • Пожалуйста, рассмотрите возможность изменения названия вашего вопроса на что-то более значимое. 26.05.2014
  • Видимая обратная связь от вас все еще ожидает ответа на ваш предыдущий вопрос. Рассмотрим это: stackoverflow.com/help/someone-answers. 27.05.2014

Ответы:


1

Публикация кода, как вы это сделали, великолепна, и большую часть времени требуется здесь, в Stack Overflow. Но словесное, сопровождающее объяснение не повредит; наоборот, это может быть очень полезно.

Я сбит с толку ошибкой, которую вы цитируете. Первая ошибка, которую я получаю при запуске этого кода,

неизвестная функция mean() r(133);

Таким образом, хорошей практикой является публикация ваших точных входных и выходных данных в том виде, в каком Stata отображает их в окне результатов, и указание источника установленных пользовательских команд, если таковые имеются.

Я предполагаю, что вы пытаетесь выполнить какое-то симуляционное упражнение. В частности, вам нужны средние значения двух случайных величин с 50 наблюдениями каждая, и вы хотите вычислить эти средние значения 1000 раз. В конце ваш результат содержит две переменные (b1 и b2) по 1000 наблюдений в каждой. Каждое наблюдение является средним. Вас может заинтересовать команда postfile. Вы можете посмотреть руководство: [P] postfile, где помощь исчерпывающая.

clear all
set more off

set seed 2368056

*----- compute means -----

tempname memhold
tempfile results

postfile `memhold' b1 b2 using `results'
quietly forvalues i = 1/1000 {

    set obs 50

    gen u = rnormal()
    gen d = rnormal()

    summarize u, meanonly
    scalar mu = r(mean)

    summarize d, meanonly
    scalar md = r(mean)

    post `memhold' (mu) (md)

    drop _all
}

postclose `memhold'

*----- check final results -----

use `results', clear
list

Команда summarize даст вам средства в виде сохраненных результатов (см. help stored results). Обратите также внимание, что set obs 50 устанавливает количество наблюдений для переменных u и d равным 50. Но количество циклов (1000) определяет размер конечного результата. post соберет вычисленные средние в другой набор данных. Когда вы закончите, вы можете загрузить полученный файл с помощью use.

См.: www.stata.com/manuals13/ppostfile.pdf

26.05.2014

2

@Roberto Ferrer выявил несколько проблем с вашим кодом. Вот еще несколько.

В этом цикле

forvalues j = 1/2 {
    quietly replace b`j' =  mean(u)  in `i' 
    quietly replace b`j' =  mean(d)  in `i' 
}

первое утверждение бесполезно, так как второе перезаписывает то, что только что было сделано. Полагаю, что вам нужен вовсе не цикл, а

   su u, meanonly 
   quietly replace b1 = r(mean) in `i' 
   su d, meanonly  
   quietly replace b2 = r(mean) in `i' 

В этом цикле

forvalues l = 1/6 {
    su b`l'
}

нет смысла просить Stata summarize переменные b3 ... b6, так как они не существуют.

26.05.2014
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..