«likelihood» etiketlenmiş sorular

Bu soru motive Bu teker . İki kaynağa baktım ve bulduğum şey bu. A. van der Vaart, Asimptotik İstatistikler: Bir profil olasılığını açıkça hesaplamak nadiren mümkündür, ancak sayısal değerlendirmesi genellikle mümkündür. O zaman profil olasılığı, olasılık fonksiyonunun boyutunu azaltmaya yarayabilir. Profil olabilirlik fonksiyonları genellikle parametrik modellerin (sıradan) olabilirlik fonksiyonları ile …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

Bayes teoremini şöyle yazabiliriz: p(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} burada arka, koşullu dağılım ve .p(θ|x)p(θ|x)p(\theta|x)f(X|θ)f(X|θ)f(X|\theta)p(θ)p(θ)p(\theta) veya p(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(\theta|x) = \frac{L(\theta|x)p(\theta)}{\int_{\theta} L(\theta|x)p(\theta)d\theta} burada arka, olabilirlik fonksiyonudur ve .p(θ|x)p(θ|x)p(\theta|x)L(θ|x)L(θ|x)L(\theta|x)p(θ)p(θ)p(\theta) Sorum şu Bayes analizi neden koşullu dağılım değil olasılık işlevi kullanılarak yapılıyor? Olasılık ve koşullu dağılım arasındaki farkın ne olduğunu kelimelerle söyleyebilir misiniz? Olasılık bir …

13 bayesian  likelihood 

Lojistik regresyonun parametre tahmini / eğitimi gerçekten nasıl çalışır? Şimdiye kadar sahip olduğum şeyi koymaya çalışacağım. Bir olasılık şeklinde lojistik fonksiyonun çıkış x değerine bağlı olarak y çıktısı: P( y= 1 | x ) = 11 + e- ωTx≡ σ( ωTx )P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) P( y= 0 | x ) = 1 …

12 regression  logistic  likelihood 

Çok büyük bir veri setim var ve yaklaşık% 5 rasgele değerler eksik. Bu değişkenler birbiriyle ilişkilidir. Aşağıdaki örnek R veri kümesi sadece yapay korelasyonlu verilere sahip bir oyuncak örneğidir. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

Birisi demişse "Bu yöntem MLE'yi değerini en üst düzeye çıkaran parametre tahmini için kullanır , bu nedenle sıkça kullanılır ve daha fazla Bayesian değildir."P(x|θ)P(x|θ)\mathrm{P}(x|\theta) kabul eder misin Arka planda güncelleme : Son zamanlarda, sık olduğunu iddia eden bir makale okudum. İddialarına katılmıyorum, en iyi ihtimalle belirsiz olduğunu hissediyorum. Kağıt açıkça …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

Kalman filtresini çok standart bir şekilde kullanıyorum. Sistem durumu denklem ile temsil edilir xt + 1= Fxt+ vt + 1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1} ve gözlem denklemi yt= Hxt+ A zt+ wtyt='Hxt+birzt+wty_{t}=Hx_{t}+Az_{t}+w_{t} . Ders kitapları öğrettikleri Kalman filtresi uygulayarak ve "tek adım önde aldıktan sonra x t | t - 1x^t | t - …

11 likelihood  kalman-filter 

Bayes teoremine göre . Ama ekonometrik metnime göre P ( θ | y ) ∝ P ( y | θ ) P ( θ ) diyor . Neden böyle? P ( y ) ' nin neden göz ardı edildiğini anlamıyorum .P(y|θ)P(θ)=P(θ|y)P(y)P(y|θ)P(θ)=P(θ|y)P(y)P(y|\theta)P(\theta) = P(\theta|y)P(y)P(θ|y)∝P(y|θ)P(θ)P(θ|y)αP(y|θ)P(θ)P(\theta|y) \propto P(y|\theta)P(\theta)P(y)P(y)P(y)

11 bayesian  conditional-probability  likelihood 

Ben sadece bir lm modelinden (R) logLik işlevi tarafından sağlanan log-olasılık dnorm () ile yeniden hesaplamak çalışıyorum. Çok sayıda veri (örneğin n = 1000) için (neredeyse mükemmel) çalışır: > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 + 2*x + rnorm(n, 0, 2) > mod …

10 r  generalized-linear-model  likelihood  lm 

Bu soru sınıfında geldi: Biz parçası bir deney üzerinde hipotezler değerlendirmek için p-değerleri kullanıyorsanız Olasılığına İlke : Biz itaat edilmez Yeterlilik veya Koşulluluk ? Sezgim Yeterlilik demek olacaktır , çünkü p değeri hesaplamak bir deneyin gözlemlenmemiş sonuçlarına dayanır ve Yeterlilik tek bir deneyde gözlemlerle daha çok uğraşırken Koşulluluk farklı deneylerle …

9 likelihood  philosophical  likelihood-principle 

Cox orantılı tehlike modelinden sağkalım eğrisini nasıl yorumluyorsunuz? Bu oyuncak örneğinde, verilerdeki agedeğişken üzerinde bir cox orantılı tehlike modelimiz olduğunu kidneyve hayatta kalma eğrisini oluşturduğumuzu varsayalım . library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Örneğin, zamanında hangi ifade doğrudur? ya da her ikisi de yanlış mı?200200200 Bildirim 1:% …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

Filogenetikte, filogenetik ağaçlar genellikle MLE veya Bayesian analizi kullanılarak oluşturulur. Çoğu zaman, Bayesci tahmininde düz bir öncül kullanılır. Anladığım kadarıyla, Bayesci bir tahmin, bir önceliği içeren bir olasılık tahminidir. Benim sorum şudur: Eğer daha önce bir daire kullanırsanız, olasılık analizi yapmaktan farklı mıdır?

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

Y. Pawitan'ın "Tüm Olasılıkta: Olasılık Kullanarak İstatistiksel Modelleme ve Çıkarım" dan yeniden parametreleştirme olasılığı θ↦g(θ)=ψθ↦g(θ)=ψ\theta\mapsto g(\theta)=\psi olarak tanımlanır L∗(ψ)=max{θ:g(θ)=ψ}L(θ)L∗(ψ)=max{θ:g(θ)=ψ}L(θ) L^*(\psi)=\max_{\{\theta:g(\theta)=\psi\}} L(\theta) böylece ggg bire bir ise, L∗(ψ)=L(g−1(ψ))L∗(ψ)=L(g−1(ψ))L^*(\psi)=L(g^{-1}(\psi)) (s. 45). Ben eğer belirten Egzersiz 2.20 göstermeye çalışıyorum θθ\theta is sayıl (ve bunu tahmin ggg sıra skaler fonksiyon olması gerekiyordu), sonra I∗(g(θ^))=I(θ^)∣∣∣∣∂g(θ^)∂θ^∣∣∣∣−2,I∗(g(θ^))=I(θ^)|∂g(θ^)∂θ^|−2, …

9 mathematical-statistics  inference  likelihood  fisher-information 

Monte Carlo yöntemleriyle istatistiksel bir modelin marjinal olasılığını hesaplamaya çalışıyorum: f( x ) = ∫f( x ∣ θ ) π( θ )dθf(x)=∫f(x|θ)π(θ)dθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta Olasılık iyi davranır - pürüzsüz, kütük içbükey - ancak yüksek boyutlu. Önemli örneklemeyi denedim, ancak sonuçlar sakat ve büyük oranda kullandığım teklife bağlı. …

9 monte-carlo  likelihood  marginal 

Şu anda Markov zincirleri ile çalışıyorum ve birkaç kaynak tarafından önerilen geçiş olasılıklarını kullanarak Maksimum Olabilirlik Tahmini'ni hesapladım (yani, a'dan b'ye geçişlerin sayısının a'dan diğer düğümlere toplam geçiş sayısına bölünmesiyle). Şimdi MLE'nin log olasılığını hesaplamak istiyorum.

9 maximum-likelihood  markov-process  likelihood