หากการหดตัวถูกนำไปใช้อย่างชาญฉลาดมันจะทำงานได้ดีขึ้นสำหรับผู้ประมาณค่าที่มีประสิทธิภาพมากกว่าหรือไม่


11

สมมติว่าฉันมีตัวประมาณสองตัวและที่เป็นตัวประมาณที่สอดคล้องกันของพารามิเตอร์เดียวกันและนั่น ด้วยในแง่ของ psd ดังนั้น asymptoticallyจะมีประสิทธิภาพมากกว่า\ตัวประมาณสองค่านี้ขึ้นอยู่กับฟังก์ชันการสูญเสียที่แตกต่างกันβ^1β^2β0

n(β^1β0)dN(0,V1),n(β^2β0)dN(0,V2)
V1V2β^1β^2

ตอนนี้ฉันต้องการค้นหาเทคนิคการหดตัวเพื่อปรับปรุงคุณสมบัติตัวอย่าง จำกัด ของตัวประมาณของฉัน

สมมติว่าผมพบว่าเทคนิคการหดตัวที่ช่วยเพิ่มประมาณการในตัวอย่างแน่นอนและทำให้ฉันมีค่าของ MSE เท่ากับ\นี่หมายความว่าฉันสามารถหาเทคนิคการหดตัวที่เหมาะสมเพื่อนำไปใช้กับ ที่จะให้ MSE ไม่มากไปกว่าหรือไม่? β^2γ^2β^1 γ^2

กล่าวอีกนัยหนึ่งถ้าการหดตัวถูกนำไปใช้อย่างชาญฉลาดมันจะทำงานได้ดีขึ้นสำหรับเครื่องมือประมาณค่าที่มีประสิทธิภาพมากกว่าหรือไม่

คำตอบ:


4

ผมขอแนะนำตัวอย่างที่น่าเบื่อเล็กน้อยที่ยอมรับกัน พูดว่าไม่เพียง แต่มีประสิทธิภาพมากกว่า asymptoticallyเท่านั้น แต่ยังบรรลุ Cramer Rao Lower Bound เทคนิคการหดตัวที่ชาญฉลาดสำหรับจะเป็น: มี(0,1) ความแตกต่างของ asymptoticคือ ที่ความเท่าเทียมกันครั้งสุดท้ายใช้เล็มม่า ในกระดาษ Hausman ของ เรามี β 2 β 2 β * 2 =W β 2+(1-W) β 1W(0,1) β * 2 V*=วีR(W β 2+(1-W) β 1)=β^1β^2β^2

β^2=wβ^2+(1w)β^1
w(0,1)β^2V 2 - V * = V 2 ( 1 - W 2 ) - V 1 ( 1 - W 2 ) 0 β 2
V=Avar(wβ^2+(1w)β^1)=Avar(w(β^2β^1)+β^1)=V1+w2(V2V1)
V2V=V2(1w2)V1(1w2)0
ดังนั้นจึงมีการปรับปรุงความเสี่ยงแบบ asymptotic (ไม่มีเงื่อนไขอคติ) ดังนั้นเราจึงพบเทคนิคการหดตัวที่ช่วยให้ asymptotic บางคน (และดังนั้นจึงตัวอย่างแน่นอนหวังว่า) การปรับปรุงมากกว่า\ยังไม่มีตัวประมาณค่าการหดตัวที่ตามมาจากขั้นตอนนี้β^2β^1

จุดที่แน่นอนที่นี่คือการหดตัวจะทำต่อตัวประมาณประสิทธิภาพดังนั้นจึงไม่สามารถใช้กับตัวประมาณประสิทธิภาพได้ ดูเหมือนว่าจะค่อนข้างชัดเจนในระดับสูง แต่ฉันเดาว่าในตัวอย่างเฉพาะสิ่งนี้ไม่ชัดเจน ( MLE และวิธีการประมาณช่วงเวลาสำหรับการแจกแจงแบบสม่ำเสมออาจเป็นตัวอย่างหรือไม่)


1
ขอบคุณสำหรับตัวอย่างที่น่าสนใจ! (+1) อย่างไรก็ตามมันไม่ชัดเจนสำหรับฉันที่ควรถือว่าเป็นตัวอย่างการนับ: มันเป็นทั้งแบบเชิงและไม่แสดงว่าไม่สามารถปรับปรุงให้มีความเสี่ยงเท่าเดิมหรือต่ำกว่าได้ (อันที่จริงแล้วมีความเสี่ยงโดยอัตโนมัติเช่นเดียวกับ ) เพื่อให้ตัวอย่างตอบโต้ความเสี่ยงของตัวประมาณปรับเปลี่ยนจะต้องเป็น น้อยกว่าความเสี่ยงของและไม่ชัดเจนว่าเป็นไปได้กับโครงการนี้ β^1β^2β^1β^2β^1
user795305

ขอบคุณและประเด็น แต่ผมขอชี้ให้เห็นว่าไม่มีที่ไหนในคำถามมันก็ระบุว่า MSE ของการปรับเปลี่ยนจะต้องต่ำกว่าที่ของ\ดังนั้น เป็นเทคนิคการหดตัวที่ถูกต้องในบริบทนี้ แต่ฉันยอมรับว่านี่เป็นเพียงคำตอบบางส่วนและฉันรอคอยที่จะเห็นสิ่งที่คนอื่นพูดถึงคำถามนี้ β^2β^1β^2
Matthias Schmidtblaicher

1
ในย่อหน้าที่เริ่มต้น "สมมติว่าฉันพบ ... ", OP ดูเหมือนจะระบุว่า ฉันเข้าใจผิดหรือเปล่า? ในสิ่งต่อไปนี้ให้ดาวแสดงว่าประมาณแก้ไขเพื่อให้สำหรับบางคน (อาจจะหดตัว) ฟังก์ชั่นf_jสมมติว่าเราพบเพื่อให้*) ในวรรคที่อ้างถึง OP ถามว่าเราสามารถหาบางเพื่อให้*) β^j=fj(β^j)fjβ^2risk(β^2)risk(β^2)f1risk(β^1)risk(β^2)
user795305

ฉันเห็น. หากนี่คือคำถามเป็นเพียงตัวตนและคำตอบนั้นยืนยันในตัวอย่าง ฉันอ่านคำถามว่า "ถ้าเราสามารถหาฟังก์ชั่นดังนั้นอยู่ที่นั่นไหม มีดังนั้น ? " f1f(β,x)risk(f(β^2,x))<risk(β^2)g(β,x)risk(g(β^1,x))<risk(β^1)
Matthias Schmidtblaicher

1
ขอบคุณที่แบ่งปันเครดิตเหล่านี้แม้ว่าฉันจะไม่ได้ตอบคำถามของคุณจริงๆ ...
Matthias Schmidtblaicher

-2

นี่เป็นคำถามที่น่าสนใจที่ฉันต้องการชี้ให้เห็นถึงไฮไลท์บางอย่างก่อน

  • ตัวประมาณสองตัวมีความสอดคล้องกัน
  • β^1นั้นมีประสิทธิภาพมากกว่าเนื่องจากมีความผันแปรน้อยกว่าβ^2
  • ฟังก์ชั่นการสูญเสียไม่เหมือนกัน
  • วิธีการหดตัวหนึ่งถูกนำไปใช้กับหนึ่งเพื่อที่จะลดความแปรปรวนที่ด้วยตัวเองจบลงด้วยการประมาณที่ดีขึ้น
  • คำถาม : กล่าวอีกนัยหนึ่งถ้าใช้การหดตัวอย่างชาญฉลาดมัน จะทำงานได้ดีขึ้นสำหรับเครื่องมือประมาณค่าที่มีประสิทธิภาพมากขึ้นหรือไม่?

โดยพื้นฐานแล้วมันเป็นไปได้ที่จะปรับปรุงตัวประมาณในกรอบการทำงานบางอย่างเช่นคลาสของตัวประมาณค่าแบบไม่เอนเอียง อย่างไรก็ตามตามที่คุณระบุไว้ฟังก์ชั่นการสูญเสียที่แตกต่างกันทำให้สถานการณ์ยากขึ้นเพราะฟังก์ชั่นการสูญเสียหนึ่งอาจลดการสูญเสียกำลังสองได้ ยิ่งไปกว่านั้นการใช้คำว่า "เสมอ" นั้นยุ่งยากมากเพราะหากตัวประมาณหนึ่งตัวดีที่สุดในชั้นเรียนคุณจะไม่สามารถเรียกร้องตัวประมาณค่าที่ดีกว่านี้ได้

สำหรับตัวอย่างง่ายๆ (ในกรอบเดียวกัน) ให้ตัวประมาณสองตัวคือบริดจ์ (ลงโทษด้วยการถดถอยเชิงบรรทัดฐาน ) และ Lasso (โอกาสแรกที่ถูกลงโทษนอร์ม) และชุดพารามิเตอร์ที่กระจัดกระจายคือ , โมเดลเชิงเส้น , ปกติของระยะผิดพลาดหรือที่รู้จักกันฟังก์ชั่นการสูญเสียกำลังสอง (ตารางข้อผิดพลาดน้อยที่สุด) และเป็นอิสระของตัวแปรในxให้เลือกสำหรับสำหรับตัวประมาณตัวแรกและสำหรับตัวประมาณตัวที่สอง จากนั้นคุณสามารถปรับปรุงตัวประมาณโดยเลือกlpβy=xβ+eeN(0,σ2<)σxlpp=3p=2p1ซึ่งจะกลายเป็นตัวประมาณที่ดีกว่าด้วยค่าความแปรปรวนต่ำ จากนั้นในตัวอย่างนี้มีโอกาสในการปรับปรุงตัวประมาณ

ดังนั้นคำตอบของฉันสำหรับคำถามของคุณคือใช่เนื่องจากคุณถือว่าครอบครัวตัวประมาณค่าเดียวกันและฟังก์ชันการสูญเสียเดียวกันรวมถึงสมมติฐาน


มันไม่ชัดเจนกับผมว่าคุณหมายถึงโดยใช้1 ให้ตัวประมาณสองตัว (กล่าวว่าจากการมีและในการทำให้เป็นอย่างน้อยกำลังสองเช่นคุณพูดคุยในการตอบกลับของคุณ) คำถามถามเกี่ยวกับวิธีโพสต์ประมวลผลตัวประมาณเหล่านี้ (ผ่านพูดลดขนาด) โดยเฉพาะมันถามว่ามีวิธีการที่สามารถสร้างการปรับปรุงที่คล้ายกัน (ในแง่ของ MSE) ในตัวประมาณค่าปกติและแบบอะซิมโตติติกหรือไม่ ยังไม่ชัดเจนสำหรับฉันว่าคำตอบของคุณควรสื่อถึงสิ่งนี้อย่างไร p1p=3p=2p
user795305

@Ben ขอบคุณ คำถามเกี่ยวกับการหดตัวและฉันพยายามที่จะเป็นตัวอย่างง่ายๆที่ใช้การหดตัวโดยกำหนดโทษบรรทัดฐานในตัวประมาณ ฉันเห็นมันค่อนข้างเกี่ยวข้อง PS: LASSO (ไปได้ที่ถูกลงโทษในบรรทัดฐาน) หมายถึงผู้ปฏิบัติงานการหดตัวและการคัดเลือกน้อยที่สุดlpl1
TPArrow

มันยังไม่ชัดเจนสำหรับฉัน คุณกำลังเสนอให้เราใช้การประมาณค่าเริ่มต้นและแล้วประเมินตัวดำเนินการใกล้เคียงของพวกเขาเพื่อให้ประมาณการใหม่คือ , สำหรับ ? ถ้าเป็นเช่นนั้นคุณสามารถแสดงหลักฐาน (หรือข้อโต้แย้งอื่น ๆ ) สำหรับการอ้างสิทธิ์ของคุณเกี่ยวกับการปรับปรุง MSE ได้หรือไม่? ฉันพยายามเน้นย้ำก่อนหน้านี้ว่าคำถามกำลังถามเกี่ยวกับตัวประมาณค่าประมวลผลภายหลัง -ค่าประมาณของคุณสำหรับการประมวลผลภายหลังคืออะไร? β^1β^2pα^jp=argminααβ^j22+λαpj{1,2}p=2,3
user795305

ขอบคุณ @Ben ฉันรู้สึกว่าเราไม่ได้มีฉันทามติในความหมายของการหดตัว คุณคิดว่ามันเป็นกระบวนการแบบโพสต์ แต่ฉันเป็นการประมวลผลแบบอินไลน์ ฉันคิดว่าเราทั้งคู่คิดถูกเพราะคำถามไม่ได้คำนึงถึงประเภทของการหดตัว PS: ฉันคิดว่าสิ่งที่คุณหมายถึงจากการหดตัวเป็นเหมือนการนวดแป้งหนัก
TPArrow

การหดตัวสามารถเป็นได้ทั้งแบบอินไลน์และหลังการประมวลผล ตัวอย่างที่คุณกล่าวถึงในการตอบสนองของคุณเกี่ยวกับ "การหดตัวแบบอินไลน์" ในขณะที่คำถามถามเกี่ยวกับ "การหดตัวภายหลังการประมวลผล" แจ้งให้ทราบว่าคำถามให้สองประมาณและแล้วขอเทคนิคการหดตัวที่จะนำไปใช้กับหรือ\ฉันคิดว่ามันอาจจะคุ้มค่าที่จะอ่านคำถามในแง่นี้ β^1β^2 β^1β^2
user795305
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.