İstatistikçi olmayan bir kişiye genelleştirilmiş anlar yöntemini açıklama


11

Genelleştirilmiş Moment Yöntemlerini nasıl açıklarım ve istatistikçi olmayanlara nasıl kullanıldığını nasıl anlarım?

Şimdiye kadar gidiyorum: topladığımız örneklere dayalı ortalamalar ve varyasyon gibi koşulları tahmin etmek için kullandığımız bir şey.

Varyansı en aza indirgeyerek parametre vektörünü tahmin ettiğiniz kısmı nasıl açıklayabilirim?


1
İstatistikçi olmayan bir kişinin varyansı en aza indirme hakkında neden bilmesi gerekir? Bu kişi normal an tahmini yöntemini anlıyor mu? Vermeye çalıştığınız bilgiyle ne yapmaları gerekecek?
one_observation

Yanıtlar:


1

Klasik moment yönteminde, tahmin etmeniz gereken her parametre için bir moment koşulu belirtirsiniz. Sonuçta elde edilen denklemler seti "sadece tanımlanır". GMM, sistem sadece tanımlanmamış olsa bile bir çözüm bulmayı amaçlıyor. Fikir, moment koşullarını mümkün olduğunca sıfıra yakın hale getiren parametre tahminleri bularak minimum bir mesafe çözümü bulmaktır.


5
İstatistiksel olmayan bir izleyici, "an koşulları," "yeni tanımlanmış" gibi teknik ayrıntılar kullanırsanız korkacaktır. Tek değişkenli regresyondaki eğim parametresinin anlamını bir değişim oranı olarak açıklayıp izleyicinin bunu çok değişkenli bir modele genelleştirmesini önererek başlardım. Bu, iletişim kurmaya çalıştığınız şeyi tamamen rayından çıkarabilecek ayrıntılarla karşılaşmadan her şeyi hayal gücüne bırakır.
Mike Hunter

1

Bir modelin parametrelerini tahmin etmek için birkaç yöntem vardır. Bu, istatistik / ekonometrinin temel bir parçasıdır. GMM (Genelleştirilmiş Momentler Yöntemi) böyle bir yöntemdir ve diğerlerine göre daha sağlamdır (istatistiksel ve kelimenin tam anlamıyla [istatistik dışı kitle için]).

Tahmin sürecinin, modelinizin verilere ne kadar iyi uyduğunu içermesi sezgisel olmalıdır. GMM bunu yaparken sıradan modellerden daha fazla koşul kullanır.

(Ortalama ve varyanstan bahsettiniz. Bunun tanıdık bir fikir olduğunu varsayıyorum). Ortalama ve Varyans, verilerin bazı temel ölçümleridir. Kişi verileri doğasını anlamak için modeller. Mükemmel (varsayımsal bir model) verileri baştan sona açıklar.

Bir binadaki tüm insanların yüksekliklerinin modellenmesine bir örnek verelim. Ortalama ve varyans olmak üzere iki metrik vardır. Ortalama birinci seviye metrik, varyans ikinci seviye metriktir. Ortalama, tüm yükseklikleri eklemek ve insan sayısına bölmek. Size 11 feet gibi saçma bir şey söylüyor. 5 feet mantıklı.

Şimdi varyansı düşünün, ek bir bilgi katmanı söyleyecektir: 6 feet saçma değildir (ortalamaya göre) ama kişinin boyunun 6 feet olması ne kadar olasıdır. Bina bir ortaokul binası ise, daha az olası değil mi? Ofis binası ise daha muhtemeldir.

Bunlar teknik olarak verilerin momentleri olarak adlandırılan bir şeyin örnekleridir (ortalama ve varyans açıklandıktan sonra rahat olmalı mı?). Birinin modeli, gözlemlenen bu ortalama ve varyans koşullarına uyuyorsa iyi yapmalıdır. Ortalama ve varyansın ötesinde, başka ölçümler de vardır.

GMM, bu daha yüksek metrikler (momentler) için modele uyar. Daha basit yöntemler daha küçük metriklere hitap eder. Önerdiği gibi genelleştirilmiş yöntemdir - mümkün olduğunca genel olmaya çalışır.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.