«likelihood» etiketlenmiş sorular

Orantılı olasılıklara sahip iki farklı savunulabilir testin, biri p-değerlerinin birbirinden büyüklük sırası olduğu, ancak alternatiflerin gücünün benzer olduğu, belirgin şekilde farklı (ve eşit derecede savunulabilir) çıkarımlara yol açabileceği bir örnek var mı? Gördüğüm tüm örnekler çok aptalca, bir binomu negatif bir binom ile karşılaştırıyor, burada birincinin p değeri% 7 ve …

20 mathematical-statistics  likelihood  philosophical  likelihood-principle 

Yakın zamanda burada yayınlanan bir yorumda, bir yorumcu, Larry Wasserman'ın (herhangi bir kaynak olmadan), sık sık çıkarımın olasılık ilkesi ile çatıştığına dikkat çeken bir bloga işaret etti . Olabilirlik ilkesi basitçe benzer olabilirlik fonksiyonlarını veren deneylerin benzer çıkarım vermesi gerektiğini söyler. Bu sorunun iki kısmı: Hangi bölümler, lezzet veya sık …

19 inference  likelihood  frequentist  likelihood-principle 

Parametrelerin bir vektör düşünün ile, θ 1 ilgi parametresi ve θ 2 bir sıkıntı parametresi.( θ1, θ2)(θ1,θ2)(\theta_1, \theta_2)θ1θ1\theta_1θ2θ2\theta_2 Eğer veri yapılmış olasılığıdır x , için profil olabilirlik İçeride ISTV melerin RWMAIWi'nin 1 olarak tanımlanır L P ( θ 1 , x ) = L ( θ 1 , θ 2 …

19 maximum-likelihood  likelihood  profile-likelihood 

Yazarların görünüşte yeni başlayanlar için bir giriş olarak Bayes Teoremine yönelik maksimum olasılık tahmini tartışmasından yola çıktığı bir makale okuyorum . Bir olasılık örneği olarak, bir binom dağılımı ile başlarlar: p(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,\theta) = \binom{n}{x}\theta^x(1-\theta)^{n-x} ve sonra her iki tarafı da günlüğe kaydet ℓ(θ|x,n)=xln(θ)+(n−x)ln(1−θ)ℓ(θ|x,n)=xln⁡(θ)+(n−x)ln⁡(1−θ)\ell(\theta|x, n) = x \ln (\theta) + (n-x)\ln (1-\theta) …

19 bayesian  likelihood  definition  philosophical 

İstatistik ve olasılık teorisinde log-olasılık olasılığını (ve belki de daha genel olarak log-olasılığını) daha derin bir düzeyde anlamaya çalışıyorum. Log olasılıkları her yerde ortaya çıkıyor: genellikle analiz için log-olasılık ile çalışıyoruz (örneğin maksimizasyon için), Fisher bilgisi log-olasılığın ikinci türevi olarak tanımlanır, entropi beklenen bir log-olasılıktır , Kullback-Liebler ıraksaması log olasılıklarını …

18 probability  bayesian  likelihood  log-likelihood 

- bu veriler verilen bir parametre olasılığını hesaplar çünkü çoğu zaman, (frequentist üzerinden) Bayesian çerçeve yorumlanmasında büyük bir üstünlüğe sahip olduğunu ileri sürülmektedir yerine p ( x | İçeride ISTV melerin RWMAIWi'nin ) frequentist çerçevesindeki gibi . Çok uzak çok iyi.p(θ|x)p(θ|x)p(\theta|x)p(x|θ)p(x|θ)p(x|\theta) Ancak, temel aldığı tüm denklem: p(θ|x)=p(x|θ).p(θ)p(x)p(θ|x)=p(x|θ).p(θ)p(x)p(\theta|x) = {p(x|\theta) . …

18 bayesian  interpretation  prior  likelihood  posterior 

Şu anda Olabilirlik Prensibini anlamaya çalışıyorum ve açıkçası hiç anlamıyorum. Bu yüzden, oldukça basit sorular olsa bile tüm sorumu bir liste olarak yazacağım. "Tüm bilgi" ifadesi bu ilke bağlamında tam olarak ne anlama geliyor? ( bir örnekteki tüm bilgilerde olduğu gibi olabilirlik fonksiyonunda bulunur.) İlke bir şekilde nin çok kanıtlanabilir …

17 bayesian  likelihood  likelihood-principle 

Sorumun özü şudur: Let Y∈RnY∈RnY \in \mathbb{R}^n ortalama bir çok değişkenli normal rastgele değişken olarak μμ\mu ve kovaryans matrisi ΣΣ\Sigma . Let Z:=log(Y)Z:=log⁡(Y)Z := \log(Y) , yani Zi=log(Yi),i∈{1,…,n}Zi=log⁡(Yi),i∈{1,…,n}Z_i = \log(Y_i), i \in \{1,\ldots,n\} . Nasıl bir modelin uygunluğunun AIC gözlenen gerçekleşmelerine kıyasla nasıl bir YYY gözlemlenen gerçekleşmelerine bir model uyum …

17 data-transformation  aic  likelihood 

Yaklaşık Bayes hesaplaması , temelde herhangi bir stokastik modele uymak için gerçekten harika bir tekniktir, olasılığın sürdürülemez olduğu modellere yöneliktir (örneğin, parametreleri sabitlerseniz modelden örnekleme yapabilirsiniz, ancak olasılığı sayısal, algoritmik veya analitik olarak hesaplayamazsınız). Bir kitleye yaklaşık Bayes hesaplaması (ABC) eklerken, gerçekten basit ama yine de biraz ilginç ve inatçı …

16 bayesian  simulation  model  likelihood  abc 

Tek değişkenli üstel Hawkes süreci, olay varış oranına sahip, kendi kendini heyecanlandıran bir süreçtir: λ(t)=μ+∑ti&lt;tαe−β(t−ti)λ(t)=μ+∑ti&lt;tαe−β(t−ti) \lambda(t) = \mu + \sum\limits_{t_i<t}{\alpha e^{-\beta(t-t_i)}} burada etkinliğin varış .t1,..tnt1,..tn t_1,..t_n Günlük olabilirlik işlevi −tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln(μ+αe−β(tj−ti))−tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln⁡(μ+αe−β(tj−ti)) - t_n \mu + \frac{\alpha}{\beta} \sum{( e^{-\beta(t_n-t_i)}-1 )} + \sum\limits_{i<j}{\ln(\mu+\alpha e^{-\beta(t_j-t_i)})} yinelemeli olarak hesaplanabilir: −tnμ+αβ∑(e−β(tn−ti)−1)+∑ln(μ+αR(i))−tnμ+αβ∑(e−β(tn−ti)−1)+∑ln⁡(μ+αR(i)) - t_n \mu + \frac{\alpha}{\beta} …

16 maximum-likelihood  stochastic-processes  likelihood 

Belirli bir çıkarım problemi için, Bayesci bir yaklaşımın genellikle hem biçim olarak hem de fütürist bir yaklaşımdan kaynaklandığını biliyoruz. Sık sık (genellikle beni içerir) çoğu zaman yöntemlerinin bir önceliğe ihtiyaç duymadığına ve dolayısıyla "yargıya dayalı" olmaktan çok "veri güdümlü" olduğuna işaret eder. Tabii ki Bayesian bilgilendirici olmayan önceliklere işaret edebilir …

15 bayesian  inference  likelihood  likelihood-ratio  frequentist 

Voltmetre hikayesini ve varyasyonlarını sık sık ele alan nedir? Bunun arkasındaki fikir, varsayımsal olaylara hitap eden bir istatistiksel analizin, daha sonra bu varsayımsal olayların varsayıldığı gibi yapılamayacağı öğrenilirse gözden geçirilmesi gerektiğidir. Vikipedi'de hikayenin versiyonu aşağıda verilmiştir. Bir mühendis rastgele bir elektron tüpü örneği çizer ve voltajlarını ölçer. Ölçümler 75 ila …

15 likelihood  frequentist 

Bu soru şu sorudan kaynaklanmaktadır: Ne zaman (eğer varsa) bir frekansçı yaklaşım Bayes'den önemli ölçüde daha iyidir? Bu soruya benim çözümümde yayınladığım gibi, bence, eğer bir sıkıcıysanız, sık sık zaman yöntemleri yöntemlerini ihlal edeceğinden , olasılık ilkesine inanmak / uymak zorunda değilsiniz . Ancak, bu genellikle uygun önceliklerin varsayımı altındadır, …

14 bayesian  likelihood  likelihood-principle 

Ben n-boyutlu bir durum vektörü için Lineer Gauss Durum Uzay Analizi için Kalman filtreleme (bir dizi farklı Kalman tipi filtreler [Bilgi Filtresi ve diğerleri] kullanarak) yapabileceğiniz bazı kod yazdım. Filtreler harika çalışıyor ve güzel çıktılar alıyorum. Ancak, loglikelihood kestirimi ile parametre tahmini beni şaşırtıyor. Ben bir istatistikçi değil, fizikçiyim, bu …

13 maximum-likelihood  algorithms  kalman-filter  likelihood 

1. Sorun Bir değişken bazı ölçümler , , kendisi için bir dağıtım olması ı varsayacağız basitlik için ortalama bir Gauss olan MCMC yoluyla elde edilen ve varyans . t = 1 , 2 , . . , n f y t ( y t ) μ t σ 2 tytyty_tt=1,2,..,nt=1,2,..,nt=1,2,..,nfyt(yt)fyt(yt)f_{y_t}(y_t)μtμt\mu_tσ2tσt2\sigma_t^2 …

13 time-series  mcmc  autoregressive  likelihood