Tahmin edicinin türünün birkaç şeye bağlı olduğunu öneririm:
- Tahminin yanlış yapılmasının sonuçları nelerdir? (örneğin, tahmin ediciniz çok düşükse çok yüksekse hata yönünden kayıtsız mısınız? Bir hata iki kat daha büyükse, bu iki kat daha kötü mü? yüzde hatası mı yoksa mutlak hata mı? Tahmin sadece tahmin için gerekli olan ara adım mıdır? Büyük örnek davranışı küçük örnek davranışından daha mı yoksa daha az mı önemlidir?)
- Tahmin ettiğiniz miktar hakkında ön bilginiz nedir? (örneğin, veriler miktarınızla işlevsel olarak nasıl ilişkilidir? Miktarın pozitif olup olmadığını biliyor musunuz? ayrık? Bu miktarı daha önce tahmin ettiniz mi? Ne kadar veriniz var? Verilerinizde "grup değişmezliği" yapısı var mı?)
- Hangi yazılımınız var? (örneğin, yazılımınız yoksa MCMC'yi önermek veya nasıl yapılacağını bilmiyorsanız bir GLMM kullanmak iyi değildir.)
İlk iki nokta bağlama özgüdür ve uygulamanızı düşünerek , genellikle tahmin edicinizin sahip olmasını istediğiniz belirli özellikleri tanımlayabilirsiniz . Daha sonra, gerçekte hesaplayabileceğiniz, sahip olmasını istediğiniz özelliklerin çoğuna sahip olan tahminciyi seçersiniz.
Ben bir öğretim kursu tahmin ile bağlam eksikliği olduğunu düşünüyorum, genellikle "varsayılan" ölçüt, önceki bilgiler için benzer şekilde kullanılan anlamına gelir (en belirgin "varsayılan" veri örnekleme dağılımını bilmek). Bunu söyledikten sonra, özellikle bağlam hakkında yeterince bilginiz yoksa, varsayılan yöntemlerden bazıları iyidir. Ama eğer bunu bağlam biliyor ve araçlara sahip olduğu bağlamı dahil etmek, o zaman için aksi takdirde (çünkü göz ardı şeyin) karşı sezgisel sonuçlar alabilirsiniz gerekir.
Genel bir kural olarak MVUE'nun büyük bir hayranı değilim, çünkü tarafsızlık elde etmek için genellikle çok fazla varyanstan ödün vermeniz gerekir. Örneğin, bir dart tahtasına dart attığınızı ve boğa gözüne vurmak istediğinizi düşünün. Boğa gözünden maksimum sapmanın belirli bir fırlatma stratejisi için 6 cm olduğunu varsayalım, ancak dart noktalarının merkezi, boğa gözünün 1 cm üzerindedir. Bu MVUE değildir, çünkü merkez boğa gözünde olmalıdır. Ancak, dağılımı 1 cm'ye (ortalama olarak) kaydırmak için yarıçapınızı en az 10 cm'ye yükseltmeniz gerektiğini varsayalım (böylece maksimum hata şimdi 10 cm'dir, 6 cm değil). Bu, varyans zaten küçük olmadığı sürece MVUE ile olabilecek bir şeydir. Çok daha doğru bir atış olduğumu ve hatamı 0,1 cm'ye daraltabildiğimizi varsayalım. Şimdi önyargı gerçekten önemli, çünkü asla boğa gözüne çarpmayacağım!
Kısacası, benim için sapma, varyansa kıyasla sadece küçük olduğunda önemlidir. Ve genellikle büyük bir örneğiniz olduğunda sadece küçük varyanslar alırsınız.