非参数统计方法

非参数方法的实战派教材《非参数统计：方法与应用》，适合想跳出传统参数统计套路的人看看。里面不少例子都跟日常消费行为有关，比如怎么用非参数方法收入跟消费之间的关系，讲得挺接地气的。作者还用SPSS做演示，思路清晰，动手起来也不费劲。 SPSS 操作部分挺细致的，不只是告诉你用哪个按钮，还会背后的统计逻辑。适合平时数据做得多但对建模有点抗拒的你，试试看换个角度数据问题。 如果你平时做居民消费结构、用户行为建模这类工作，会发现参数方法限制不少。比如收入数据有偏、分布不规则啥的，这时候非参数方法就显得蛮有用。 想深入一点的，可以看看这篇 《小麦区域试验中的非参数统计应用》，农业领域也能用非参数方法搞定

利用非参数统计方法分析了1998～1999年湖北省小麦良种区域试验中各品种(系)的丰产性、稳定性、适应性和试点的鉴别力。研究结果显示，非参数统计分析简单明了，效果显著，特别是试点鉴别力指数（Di）对试点的选择和分布具有重要指导意义。在参试品种中，鄂麦12、S048、D 402在丰产性、稳定性、适应性方面表现突出。建议在试点选取与分布策略中增加湖北省北部地区的试点数量。

非参数拟合是一种通过数据点生成平滑曲线而不涉及具体参数的方法。它包括插值法和平滑样条内插法，适用于那些不需要详细参数解释的情况。在Matlab中，非参数拟合技术能够有效处理数据曲线的平滑化需求。

非参数估计的可转债，嗯，这个资源挺有料的。文章是 2007 年的，虽然不新，但讲得还挺实在。用了核密度估计这招，专门可转债的价值——比如像华菱转债这种带转股条款的，估值起来真不容易。作者不是靠传统金融模型那一套，而是走了统计这条路，看得出来还挺注重实证。你要是做前端的，刚好对金融数据可视化感兴趣，这篇值得一看，数据+方法一应俱全。

此代码执行双尾 Cox-Stuart 检验的一种版本，用于检验向量 V 中是否存在趋势。该检验的零假设是 V 中不存在趋势。检验结果在 H 中返回，其中 H = 1 表示在 alpha 显著性水平上拒绝原假设，H = 0 表示未能在 alpha 显著性水平上拒绝原假设。

非参数判别方法涉及判别分析的一般概念，特别在多元统计分析中详细讨论。距离判别和广义距离判别法需要估计总体参数，而在贝叶斯判别中，我们假设总体服从正态分布。在总体分布未知时，非参数判别方法如核方法和近邻方法可被应用。

Python非参数微分方程（npde）建模代码库包含了具有高斯过程的非参数微分方程的实现。此存储库覆盖了与ODE模型相关的两篇论文发布的内容。演示笔记本提供详细的使用示例和图片。代码实现基于Python3.5，并通过TensorFlow会话进行模型构建、拟合和预测。模型适用于简单数据，支持预测未来路径和样本生成。

AnomalyDetector 是一个用于 MATLAB 环境的非参数异常检测器，可用于进行 时空异常检测。源代码在 Linux 系统下使用 MATLAB R2009b 进行了测试。此工具不依赖于非标准库，除了用于可视化的 tight_subplot.m 函数外，代码所需的所有文件均在工作目录中。数据集位于“数据”文件夹中，其中包含清理和对齐的传感器数据。 要测试 非参数方法，可在工作目录中键入 nonparametric_approach。 要测试 概率方法，则可通过在工作目录中键入 probabilistic_approach。 无论哪种方法，均可在数秒内获得测试结果。

该软件利用Gibbs Sampler实现了无限合并马尔可夫模型(IHMM)和无限Wishart混合模型(IWMM), 用于分析动态功能连接。 其中，IHMM基于Juergen Van Gaels IHMM工具箱构建，并通过demoIHMM.m进行演示。IWMM则通过demo_wishartMM.m进行演示，用于计算新数据集的预测可能性。 该软件已应用于已提交出版物“用于动态功能连接的模型的预测评估”的部分研究。

此代码执行了两种修正后的Mann-Kendall检验，考虑了时间序列的自相关（Hamed和Rao，1998）。替代了对趋势的传统检验方法，检验了向量V中趋势缺失的零假设。测试结果显示H = 1，在显著性水平alpha上拒绝了原假设。H = 0表示未能在显著性水平alpha上拒绝原假设。