(Bunu neden yazdığımı görmek için, bu soruya verdiğim yanıtın altındaki yorumları kontrol edin .)
Tip III hataları ve istatistiksel karar teorisi
Yanlış soruya doğru cevabı vermek bazen Tip III hatası olarak adlandırılır. İstatistiksel karar teorisi, karar almanın belirsizlik altında resmileştirilmesidir; tip III hatalarından kaçınmaya yardımcı olabilecek kavramsal bir çerçeve sağlar. Çerçevenin ana unsuru kayıp fonksiyonu olarak adlandırılır . İki argüman alır: birincisi dünyanın gerçek durumudur (ilgili altkümesi) (örneğin, parametre tahmin problemlerinde, gerçek parametre değeri ); İkinci olası eylemlerin sette bir elementtir (parametre tahmini sorunları, örneğin, tahmin θ ). Çıktı, dünyanın olası her gerçek durumuna göre olası her eylemle ilişkili kaybı modeller. Örneğin, parametre tahmin problemlerinde, iyi bilinen bazı kayıp fonksiyonları:
- mutlak hata kaybı
- karesel hata kaybı
- Hal Varian sitesindeki LINEX kaybı
Soruyu bulmak için cevabı inceleme
Bir tip III hatalarının, doğru bir kayıp fonksiyonunun formüle edilmesine ve karar-teorik yaklaşımın geri kalan kısmına (burada ayrıntılı olarak açıklanmadan) odaklanarak önlenebileceği bir durum vardır. Bu benim özetim değil - sonuçta, istatistikçiler böyle bir yaklaşımdan türetilmemiş olsalar bile iyi çalışan birçok teknik ve yöntemle iyi donanımlılar. Ama sonuçta, bana göre, istatistikçilerin büyük çoğunluğu istatistiksel karar teorisini bilmiyor ve umursamıyorlar ve bence kaçırıyorlar. Bu istatistikçiler için, Tip III hatadan kaçınma açısından istatistiksel karar teorisini değerli bulabilmelerinin nedeni, önerilen herhangi bir veri analizi prosedürünün sorulması için bir çerçeve sağlamasıdır:prosedür hangi kayıp fonksiyonu (varsa) ile en iyi şekilde başa çıkıyor?Yani, hangi karar alma durumunda, en iyi cevabı veriyor?
Posterior beklenen kayıp
Bayesci bir bakış açısından, kayıp fonksiyonu ihtiyacımız olan tek şeydir. Biz hemen hemen karar teorisi geri kalanını atlayabilirsiniz - neredeyse tanım gereği, yapılacak en iyi şey kaybını en aza indirmek arka beklenen etmektir olduğunu, aksiyon bulmak bu en aza indirir .
? Özellikle, Wald '- (Ve olmayan Bayes perspektifler Well gelince, bu frequentist karar teorisinin bir teoremi olan Komple Sınıf Teoremi o - Optimum eylem her zaman olacaktır Bayes posterior beklenen kaybını en aza indirmek açısından bazı ) (muhtemelen yanlış Bu sonuçla ilgili zorluk, bir varoluş teoreminin hangi kullanımdan önce rehberlik vermediğidir.Ancak tam olarak hangi sorunun olduğunu anlamak için "tersine çevirebileceğimiz" prosedür sınıfını verimli bir şekilde kısıtlar. Özellikle, Bayesci olmayan herhangi bir prosedürü tersine çevirmenin ilk adımı, (eğer varsa) hangi Bayesci prosedürü çoğalttığını veya yaklaşık olarak tahmin ettiğini bulmaktır.)
Hey Cyan, bunun bir Soru-Cevap sitesi olduğunu biliyorsun, değil mi?
Bu da beni - sonunda - istatistiksel bir soruya getiriyor. Bayesci istatistiklerde, tek değişkenli parametreler için aralık tahminleri sağlarken, iki yaygın güvenilir aralık prosedürü, kantil bazlı güvenilir aralık ve en yüksek posterior yoğunluk güvenilir aralığıdır. Bu prosedürlerin ardındaki kayıp fonksiyonları nelerdir?