การใช้งานเชิงประจักษ์ของความเป็นไปได้เชิงประจักษ์มีอะไรบ้าง


28

ฉันเคยได้ยินความน่าจะเป็นเชิงประจักษ์ของโอเว่น แต่จนกระทั่งเมื่อไม่นานมานี้มันก็ไม่ต้องสนใจจนกระทั่งฉันเจอมันในกระดาษดอกเบี้ย ( Mengersen et al. 2012 )

ในความพยายามของฉันที่จะเข้าใจฉันได้รวบรวมว่าโอกาสที่ข้อมูลที่สังเกตได้จะแสดงเป็น ที่และ0

L=ipi=iP(Xi=x)=iP(Xix)P(Xi<x)
ipi=1pi>0

อย่างไรก็ตามฉันไม่สามารถทำให้การก้าวกระโดดทางจิตที่เชื่อมโยงการเป็นตัวแทนนี้กับวิธีที่มันสามารถใช้ในการอ้างถึงเกี่ยวกับการสังเกต บางทีฉันอาจหยั่งรากเกินไปในการคิดถึงพารามิเตอร์ความน่าจะเป็นของโมเดล

ไม่ว่าฉันกำลังค้นหา Google Scholar สำหรับกระดาษบางเล่มที่ใช้โอกาสเชิงประจักษ์ที่จะช่วยฉันกำหนดแนวคิด ... เพื่อประโยชน์ เห็นได้ชัดว่ามีหนังสือของ Art Owen เกี่ยวกับความเป็นไปได้ในเชิงประจักษ์แต่ Google Books หลุดพ้นความน่าเบื่อไปหมดแล้วและฉันยังอยู่ในขั้นตอนการขอสินเชื่อระหว่างห้องสมุดที่ช้า

ในขณะเดียวกันใครบางคนสามารถชี้แนะฉันไปที่เอกสารและเอกสารที่แสดงให้เห็นอย่างชัดเจนถึงความเป็นไปได้ในเชิงประจักษ์และวิธีการใช้งาน? ตัวอย่างคำอธิบายของ EL ก็ยินดีด้วยเช่นกัน!


2
โดยเฉพาะอย่างยิ่งเศรษฐมิติได้หลงรักเอล หากคุณกำลังมองหาแอพพลิเคชั่นวรรณกรรมนั้นอาจเป็นหนึ่งในสถานที่ที่น่ามองกว่า
พระคาร์ดินัล

คำตอบ:


17

ฉันคิดว่าไม่มีที่ไหนดีไปกว่าหนังสือของโอเว่นที่จะเรียนรู้เกี่ยวกับความเป็นไปได้ในเชิงประจักษ์

วิธีหนึ่งในการปฏิบัติที่จะคิดเกี่ยวกับเป็นโอกาสสำหรับการกระจายพหุนามในจุดข้อมูลที่สังเกตx 1 , ... , x n ความน่าจะเป็นจึงเป็นหน้าที่ของความน่าจะเป็นเวกเตอร์( p 1 , , p n ) , พื้นที่พารามิเตอร์เป็นเวกเตอร์ความน่าจะเป็นn -dimensional มิติและ MLE ใส่น้ำหนัก1 / nL=L(p1,,pn)x1,,xn(p1,,pn)n1/nในการสังเกตแต่ละครั้ง (สมมติว่าพวกมันต่างกันทั้งหมด) มิติของพื้นที่พารามิเตอร์เพิ่มขึ้นตามจำนวนการสังเกต

จุดสำคัญคือความเป็นไปได้ในเชิงประจักษ์จะให้วิธีการคำนวณช่วงความเชื่อมั่นโดยการทำโปรไฟล์โดยไม่ต้องระบุตัวแบบพารามิเตอร์ ถ้าพารามิเตอร์ที่สนใจเป็นค่าเฉลี่ยแล้วสำหรับการใด ๆ น่าจะเป็นเวกเตอร์P = ( P 1 , ... , P n )เราได้ว่าเฉลี่ยμ ( P ) = n Σฉัน= 1 x ฉันหน้าฉัน , และเรา สามารถคำนวณความน่าจะเป็นของโปรไฟล์ได้เช่น L prof ( μ ) = maxμp=(p1,,pn)

μ(p)=i=1nxipi,
แล้วเราสามารถคำนวณช่วงความเชื่อมั่นของรูปแบบ ฉันR = { μ | L ศาสตราจารย์ ( μ ) R L ศาสตราจารย์ ( ˉ x ) } กับ R ( 0 , 1 ) ที่นี่ ˉ xคือค่าเฉลี่ยเชิงประจักษ์และ L prof ( ˉ x ) =
Lprof(μ)=max{L(p)μ(p)=μ}.
Ir={μLprof(μ)rLprof(x¯)}
r(0,1)x¯ n ช่วงเวลาที่ฉันrควรอาจจะเป็นเพียงแค่ช่วงเวลาที่จะเรียกว่า (โปรไฟล์) โอกาสตั้งแต่คำสั่งเกี่ยวกับการรายงานข่าวไม่ได้ทำล่วงหน้า ด้วยการลด rช่วงเวลาที่ฉันr (ใช่พวกมันเป็นช่วงเวลา) ทำให้เกิดกลุ่มของความเชื่อมั่นที่เพิ่มขึ้น ทฤษฎีแบบอะซิติกติกหรือบูทสแตรปสามารถใช้ในการปรับเทียบ rเพื่อให้ได้ความครอบคลุม 95%Lprof(x¯)=nnIrrIrr

หนังสือของโอเว่นครอบคลุมเรื่องนี้อย่างละเอียดและให้ส่วนขยายสำหรับปัญหาทางสถิติที่ซับซ้อนและพารามิเตอร์ที่น่าสนใจอื่น ๆ


4
(+1) หากไม่มีการเข้าถึงหนังสือหนึ่งสามารถเริ่มต้นด้วยเอกสารต้นฉบับเพื่อรับพื้นฐานของทฤษฎี เช่นเดียวกับหนังสือเอกสารที่เขียนค่อนข้างชัดเจน
พระคาร์ดินัล

6
บางลิงค์: ( 1 ) เอโอเว่น (1988), ช่วงความเชื่อมั่นอัตราส่วนเชิงประจักษ์สำหรับเดียวทำงาน , Biometrikaฉบับ 75, No. 2, pp. 237-249, ( 2 ) A. Owen (1990), เขตความเชื่อมั่นของอัตราส่วนความน่าจะเป็นเชิงประจักษ์ , Ann. statist ฉบับ 18 หมายเลข 1, PP. 90-120 ( เปิดการเข้าถึง ) และ ( 3 ) เอโอเว่น (1991) ความน่าจะเป็นเชิงประจักษ์สำหรับรูปแบบเชิงเส้น , แอน statist ฉบับ 19 หมายเลข 4, pp. 1725-1747 ( เปิดการเข้าถึง )
พระคาร์ดินัล

@cardinal Fantastic! น่าจะมีความคิดของตัวเองว่า
Sameer

Lprof(μ)argmaxpLprof(x¯)=nnin1=nn

μ

15

E[g(X,θ)]=0
XgqθΘRpqpgθ

θ

θ^GMM=argminθΘg¯n(θ)Wg¯n(θ)
W
g¯n(θ):=1ni=1ng(Xi,θ).
θ
L(θ)=maxp1,,pni=1npi
i=1npi=1,pi0,i=1npig(Xi,θ)=0.
θ
θ^EL=argmaxθΘlogL(θ).

มีเหตุผลหลายประการที่ทำให้ EL ให้ความสนใจด้านเศรษฐมิติ แต่ฉันหวังว่านี่เป็นจุดเริ่มต้นที่มีประโยชน์ โมเดลความเสมอภาคช่วงเวลาเป็นเรื่องธรรมดามากในเศรษฐศาสตร์เชิงประจักษ์


ขอบคุณที่เขียนคำตอบที่ชัดเจนและมีการอ้างอิงดี ยินดีต้อนรับสู่ชุมชนของเรา!
whuber

7

ในการวิเคราะห์การอยู่รอดเส้นโค้ง Kaplan-Meier เป็นตัวประมาณค่าแบบไม่อิงพารามิเตอร์ที่มีชื่อเสียงที่สุดของฟังก์ชันการอยู่รอด S(เสื้อ)=PR(T>เสื้อ)ที่ไหน Tหมายถึงตัวแปรสุ่มแบบเวลาต่อเหตุการณ์ โดยทั่วไปS^เป็นลักษณะทั่วไปของฟังก์ชันการแจกแจงเชิงประจักษ์ซึ่งอนุญาตให้มีการเซ็นเซอร์ มันสามารถได้มาจากการเรียนรู้แบบ Heuristically ตามที่กำหนดไว้ในตำราปฏิบัติมากที่สุด แต่มันยังสามารถได้รับอย่างเป็นทางการเป็นตัวประมาณค่าความเป็นไปได้สูงสุด (เชิงประจักษ์) นี่คือรายละเอียดเพิ่มเติม

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.