Mod için güven aralıklarını mı hesaplıyorsunuz?


11

Mod (genel olarak) için güven aralıklarının hesaplanmasıyla ilgili referanslar arıyorum. Önyükleme doğal ilk seçenek gibi görünebilir, ancak Romano (1988) tarafından tartışıldığı gibi, standart önyükleme modu başarısız olur ve basit bir çözüm sağlamaz. Bu makaleden bu yana bir şey değişti mi? Mod için güven aralıklarını hesaplamanın en iyi yolu nedir? En iyi bootstrap tabanlı yaklaşım nedir? Alakalı referanslar verebilir misiniz?


Romano, JP (1988). Modu önyükleme. İstatistiksel Matematik Enstitüsü Yıllıkları, 40 (3), 565-586.


"Genel olarak" için, sınırsız etki alanına sahip ve önceden belirlenmiş parametrik formu olmayan çok değişkenli muhtemelen çok modlu bir eklem yoğunluğu mu demek istiyorsunuz? Yoksa bazı kısıtlamalar var mı?
GeoMatt22

@ GeoMatt22, önceden belirlenmiş parametrik formu olsun olmasın, tek modlu dağılım ile uğraştığımızı söylüyor. Çok boyutlu durumda hesaplama modu karmaşıklaştıkça, tek boyutlu durumla başlamak yeterince ilginç olacaktır.
Tim

1
Tamam ve aynı zamanda sınırsız mı? (örn. 0 veya 1'de Beta w / a modu değil). Mod parametreler açısından iyi tanımlanacağı için parametrik durum en kolay görünüyor.
GeoMatt22

1
Modun yerini nasıl tahmin ediyorsunuz?
Glen_b

1
KDE modları için FYI , bilgisayar görüşünün " ortalama kaydırma " algoritması ilgili olabilir. (Bir cevap değil, belki de literatürün ilgili bir dalına bir işaretçi.)
GeoMatt22

Yanıtlar:


2

Her ne kadar bu konuda çok fazla araştırma yapılmamış gibi görünse de, bunu bir düzeyde inceleyen bir makale var. Rastgele tasarıma sahip parametrik olmayan regresyon modelinde modun önyüklenmesi üzerine kağıt (Ziegler, 2001), düzgünleştirilmiş bir eşleştirilmiş bootstrap (SPB) kullanımını önermektedir. Bu yöntemde, özetin alıntılanması için, "önyükleme değişkenleri, gözlem çiftlerine dayanan düzgün bir iki değişkenli yoğunluktan üretilir."

Yazar, SPB'nin " m için pilot tahmincisi aşırı düzleştirilirse doğru miktarda yanlılığı yakalayabildiğini" iddia ediyor . Burada m , iki iid değişkeni için regresyon fonksiyonudur.

İyi şanslar ve umarım bu size bir başlangıç ​​sağlar!


Düzgün bootstrap aslında düşündüğüm bir şey olurdu, ancak henüz hiçbir yerde önerilmediğini görmedim. Teşekkürler! Başka cevap yok, bu yüzden bu cevaba ödül veriyorum. Hala başka cevaplar ve öneriler almayı umduğum için kabul etmiyorum.
Tim
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.