ฉันอยากรู้ว่าทำไมเราจัดการ GLMS ที่เหมาะสมราวกับว่าพวกเขามีปัญหาการเพิ่มประสิทธิภาพพิเศษ ที่พวกเขา? สำหรับฉันดูเหมือนว่าพวกเขาเป็นเพียงโอกาสสูงสุดและเราจะเขียนโอกาสแล้ว ... เราเพิ่มมันให้มากที่สุด! เหตุใดเราจึงใช้การให้คะแนนแบบฟิชเชอร์แทนแบบแผนการเพิ่มประสิทธิภาพที่ได้รับการพัฒนาในวรรณคดีคณิตศาสตร์ประยุกต์
คำตอบ:
การให้คะแนนของฟิชเชอร์เป็นเพียงวิธีการของนิวตันที่ระบุด้วย GLMs ไม่มีอะไรพิเศษเป็นพิเศษเกี่ยวกับเรื่องนี้นอกจากข้อเท็จจริงที่ว่าเมทริกซ์ข้อมูลของฟิชเชอร์นั้นค่อนข้างง่ายต่อการค้นหาตัวแปรสุ่มในตระกูลเลขชี้กำลัง นอกจากนี้ยังเชื่อมโยงกับเนื้อหาทางคณิตศาสตร์อื่น ๆ จำนวนมากที่มีแนวโน้มที่จะเกิดขึ้นในเวลาเดียวกันและให้สัญชาตญาณทางเรขาคณิตที่ดีเกี่ยวกับความหมายของข้อมูลฟิชเชอร์
ไม่มีเหตุผลที่ฉันคิดว่าจะไม่ใช้เครื่องมือเพิ่มประสิทธิภาพอื่น ๆ หากคุณต้องการนอกจากนั้นคุณอาจต้องใช้รหัสด้วยตนเองแทนที่จะใช้แพ็คเกจที่มีอยู่แล้ว ฉันสงสัยว่าการเน้นการให้คะแนนแบบฟิชเชอร์คือการผสมผสานของการเรียนการสอน (ตามลำดับการลดน้ำหนัก) ความง่ายในการสืบพันธุ์ความลำเอียงทางประวัติศาสตร์และ "ไม่ได้คิดค้นที่นี่"
มันเป็นประวัติศาสตร์และในทางปฏิบัติ GLMs แบบย้อนกลับของ Nelder และ Wedderburn เป็นชุดของแบบจำลองที่คุณสามารถค้นหา MLE โดยใช้เกณฑ์การให้คะแนน Fisher (เช่น Iteratively ReWeighted Least Squast) อัลกอริทึมมาก่อนรุ่นอย่างน้อยในกรณีทั่วไป
นอกจากนี้ยังควรจำไว้ว่า IWLS คือสิ่งที่พวกเขามีให้บริการในช่วงต้นยุค 70 ดังนั้น GLM จึงเป็นรุ่นที่มีความสำคัญที่ควรทราบ ความจริงที่ว่าคุณสามารถเพิ่มความน่าจะเป็นของ GLM ได้อย่างน่าเชื่อถือโดยใช้อัลกอริธึมประเภทนิวตัน (โดยทั่วไปจะมี MLE ที่ไม่ซ้ำกัน) และยังหมายความว่าโปรแกรมเช่น GLIM สามารถใช้งานได้โดยผู้ที่ไม่มีทักษะ