วิธีคำนวณแถบคาดคะเนสำหรับการถดถอยแบบไม่เชิงเส้น


16

หน้าความช่วยเหลือสำหรับปริซึมให้คำอธิบายต่อไปนี้สำหรับวิธีการคำนวณวงดนตรีทำนายสำหรับการถดถอยที่ไม่ใช่เชิงเส้น โปรดแก้ตัวอ้างนาน แต่ผมไม่ได้ดังต่อไปนี้วรรคสอง (ที่อธิบายถึงวิธีมีการกำหนดและd Y / d Pคำนวณ) ความช่วยเหลือใด ๆ ที่จะได้รับการชื่นชมอย่างมาก.G|xdY/dP

การคำนวณค่าความเชื่อมั่นและการคาดคะเนนั้นค่อนข้างเป็นมาตรฐาน อ่านรายละเอียดเกี่ยวกับวิธีที่ Prism คำนวณแถบการทำนายและความมั่นใจของการถดถอยแบบไม่เชิงเส้น

ก่อนอื่นเรามากำหนด G | x ซึ่งเป็นการไล่ระดับของพารามิเตอร์ที่ค่าเฉพาะของ X และใช้ค่าที่เหมาะสมที่สุดของพารามิเตอร์ ผลลัพธ์คือเวกเตอร์โดยมีหนึ่งองค์ประกอบต่อพารามิเตอร์ สำหรับแต่ละพารามิเตอร์จะถูกกำหนดเป็น dY / dP โดยที่ Y คือค่า Y ของเส้นโค้งที่ให้ค่าเฉพาะของ X และค่าพารามิเตอร์ที่ดีที่สุดและ P เป็นหนึ่งในพารามิเตอร์)

G '| x เป็นเวกเตอร์ไล่ระดับสีที่ถูกย้ายดังนั้นจึงเป็นคอลัมน์แทนที่จะเป็นแถวของค่า

Cov เป็นเมทริกซ์ความแปรปรวนร่วม (inversed Hessian จากการทำซ้ำครั้งล่าสุด) มันเป็นเมทริกซ์จตุรัสที่มีจำนวนแถวและคอลัมน์เท่ากับจำนวนพารามิเตอร์ แต่ละรายการในเมทริกซ์คือความแปรปรวนร่วมระหว่างสองพารามิเตอร์

ตอนนี้คำนวณ c = G '| x * Cov * G | x ผลลัพธ์จะเป็นตัวเลขเดี่ยวสำหรับค่าใด ๆ ของ X

แถบความมั่นใจและการคาดคะเนจะอยู่กึ่งกลางของเส้นโค้งที่พอดีที่สุดและขยายส่วนบนและด้านล่างของเส้นโค้งในปริมาณที่เท่ากัน

แถบความเชื่อมั่นขยายออกไปด้านบนและด้านล่างของเส้นโค้งโดย: = sqrt (c) * sqrt (SS / DF) * CriticalT (Confidence%, DF)

แถบคาดคะเนจะขยายระยะห่างออกไปอีกด้านบนและด้านล่างของโค้งเท่ากับ: = sqrt (c + 1) * sqrt (SS / DF) * CriticalT (Confidence%, DF)


หวังว่านี่จะช่วยได้: stats.stackexchange.com/questions/74334/…
Bipi

หวังว่านี่จะช่วยได้: stats.stackexchange.com/questions/74334/…
Bipi

นี่เป็นที่รู้จักกันในชื่อวิธีการเดลต้าและใช้คำสั่งเทย์เลอร์ลำดับแรก มันเป็นการดียิ่งกว่าที่จะใช้การประมาณลำดับที่ 2 ของ Taylor สำหรับฟังก์ชันนี้ - ฟังก์ชัน PredNLS ในแพ็คเกจการเผยแพร่จะทำเช่นนั้นหากคุณสนใจ!
Tom Wenseleers

คำตอบ:


18

สิ่งนี้เรียกว่าวิธีการเดลต้า

สมมติว่าคุณมีฟังก์ชัน ; ทราบว่าG ( )เป็นหน้าที่ของพารามิเตอร์ที่คุณประเมินβ และค่านิยมของการทำนายของคุณ x ขั้นแรกหาอนุพันธ์ของฟังก์ชันนี้เทียบกับเวกเตอร์ของพารามิเตอร์, β : G ( β , x )y=G(β,x)+ϵG()βxβG(β,x). สิ่งนี้บอกว่าถ้าคุณเปลี่ยนพารามิเตอร์ทีละน้อยฟังก์ชั่นของคุณจะเปลี่ยนไปเท่าไหร่ โปรดทราบว่าอนุพันธ์นี้อาจเป็นฟังก์ชันของพารามิเตอร์ของคุณเองเช่นเดียวกับตัวทำนาย ตัวอย่างเช่นถ้าแล้วอนุพันธ์คือx ประสบการณ์( β x )ซึ่งขึ้นอยู่กับค่าของβและความคุ้มค่าของx ในการประเมินนี้คุณเสียบในการประมาณการของβ ว่าขั้นตอนของคุณให้, βและความคุ้มค่าของการทำนายที่xG(β,x)=exp(βx)xexp(βx)βxββ^x ตำแหน่งที่คุณต้องการคำทำนาย

วิธีเดลต้ามาจากขั้นตอนความน่าจะเป็นสูงสุดระบุว่าความแปรปรวนของเป็นไปได้ที่ G ' ( βG(β^,x) ที่var ( β )

G(β^,x)TVar(β^)G(β^,x),
Var(β^)คือเมทริกซ์ความแปรปรวนร่วม - ความแปรปรวนร่วมของการประมาณของคุณ (นี่เท่ากับอินเวอร์สของ Hessian --- อนุพันธ์อันดับสองของฟังก์ชันความน่าจะเป็นตามการประมาณการของคุณ) ฟังก์ชั่นแพคเกจที่สถิติของคุณมีพนักงานคำนวณค่านี้สำหรับแต่ละค่าที่แตกต่างกันของการทำนายxนี่เป็นเพียงจำนวนไม่เวกเตอร์สำหรับค่าของแต่ละxxx

นี้จะช่วยให้ความแปรปรวนของมูลค่าของฟังก์ชั่นในแต่ละจุดนี้และถูกนำมาใช้เช่นเดียวกับความแปรปรวนอื่น ๆ ในการคำนวณช่วงความเชื่อมั่น: ใช้รากที่สองของค่านี้คูณด้วยค่าสำคัญสำหรับปกติหรือบังคับทีกระจายเกี่ยวข้องกับ ระดับความเชื่อมั่นโดยเฉพาะและเพิ่มและลบค่านี้ไปยังการประมาณที่จุดG()

สำหรับช่วงเวลาการทำนายเราจำเป็นต้องใช้ความแปรปรวนของผลลัพธ์ที่ได้จากตัวทำนายx , เข้าบัญชี ดังนั้นเราจะต้องเพิ่มความแปรปรวนของเราจากวิธีเดลต้าโดยประมาณการของเราที่แปรปรวนของε , σ 2จะได้รับความแปรปรวนของYมากกว่าความแปรปรวนของมูลค่าที่คาดหวังของปีที่ใช้สำหรับช่วงความเชื่อมั่น โปรดทราบว่าσ 2คือผลรวมของข้อผิดพลาดยืด ( ในสัญกรณ์ช่วยเหลือไฟล์) หารด้วยองศาอิสระ ( )Var(yx)σ2ϵσ^2yyσ^2SSDF

cσ2σ2σc*SS/DF

ตัวอย่างเช่นในกรณีที่คุ้นเคยของการถดถอยเชิงเส้นพวกเขาcจะ(xx)1Var(β^)=σ2(xx)1


คุณสามารถอธิบายการคำนวณ ci ได้ไหม? ดูไม่เหมือนจุดวิกฤติของ t * sqrt (var)
B_Miner

ฉันคิดว่าฉันเข้าใจการคำนวณของพวกเขา ฉันอัพเดตคำตอบของฉัน
Charlie

Charlie ขอบคุณมากสำหรับคำตอบอย่างละเอียด ฉันตั้งใจจะเขียนรหัสเพื่อให้สามารถคำนวณวงคาดการณ์ 95% ได้ ฉันจะแจ้งให้คุณทราบว่าจะไปอย่างไร
Joe Listerr

@ Charlie - เป็นคนดีมากมาก!
B_Miner

2
@Charlie ขอบคุณ ฉันได้เพิ่มประโยคใน FAQ ของปริซึม GraphPad ของเราซึ่งอธิบายว่าเราใช้ cov เพื่อหมายถึงเมทริกซ์ความแปรปรวนร่วมปกติ (แต่ละค่ามีค่าตั้งแต่ -1 ถึง 1) ฉันได้เพิ่มลิงก์ไปยังหน้านี้ซึ่งเหมาะสำหรับทุกคนที่กำลังมองหารายละเอียดทางคณิตศาสตร์
Harvey Motulsky
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.