ในตัวอย่างโรงเรียน 8 แห่งของเจลแมนเหตุใดจึงมีข้อผิดพลาดมาตรฐานของการประมาณการส่วนบุคคลที่สันนิษฐาน


17

บริบท:

ในตัวอย่างของโรงเรียน 8 แห่งของ Gelman (การวิเคราะห์ข้อมูลแบบเบย์, รุ่นที่ 3, Ch 5.5) มีการทดลองแบบขนานแปดครั้งใน 8 โรงเรียนที่ทำการทดสอบผลของการฝึก การทดสอบแต่ละครั้งให้ผลลัพธ์โดยประมาณสำหรับประสิทธิภาพของการฝึกและข้อผิดพลาดมาตรฐานที่เกี่ยวข้อง

ผู้เขียนสร้างแบบจำลองลำดับชั้นสำหรับจุดข้อมูล 8 จุดของลักษณะพิเศษการฝึกดังนี้:

yiN(θi,sei)θiN(μ,τ)

คำถาม ในรูปแบบนี้พวกเขาคิดว่าseiเป็นที่รู้จักกัน ฉันไม่เข้าใจสมมติฐานนี้ - ถ้าเรารู้สึกว่าเรามีรูปแบบθiทำไมเราไม่ทำเช่นเดียวกันสำหรับsei ?

ฉันได้ตรวจสอบกระดาษต้นฉบับของ Rubinแนะนำตัวอย่างโรงเรียน 8 แห่งแล้วและที่นั่นผู้เขียนก็บอกเช่นนั้น (หน้า 382):

ข้อสันนิษฐานของความเป็นมาตรฐานและข้อผิดพลาดมาตรฐานที่รู้จักนั้นเกิดขึ้นเป็นประจำเมื่อเราสรุปการศึกษาโดยมีผลกระทบโดยประมาณและข้อผิดพลาดมาตรฐานและเราจะไม่ถามคำถามการใช้งานที่นี่

เพื่อสรุปทำไมเราไม่รูปแบบsei ? ทำไมเราปฏิบัติต่อมันอย่างที่รู้กัน?


ฉันคิดว่าเพราะพวกเขารู้จำนวนโรงเรียนทั้งหมดในพื้นที่ดังนั้น SE จึงเป็นฟังก์ชั่นของขนาดตัวอย่างและค่าประมาณ?
สถิติการเรียนรู้ตามตัวอย่าง

1
ขนาดตัวอย่างเป็นที่รู้จักและได้รับการแก้ไข แต่ข้อผิดพลาดมาตรฐานขึ้นอยู่กับค่าเบี่ยงเบนมาตรฐานของข้อมูลเช่นกันและฉันไม่แน่ใจว่าทำไมเราปฏิบัติต่อสิ่งนั้นตามที่ได้รับการแก้ไข
ไฮเซนเบิร์ก

1
หากคุณมีความสุขที่จะทำให้ผลลัพธ์ของคุณมีเงื่อนไขอย่างสมบูรณ์ตามสมมติฐานของข้อผิดพลาดมาตรฐานคงที่ไม่มีอะไรผิดกับการทำ (และระบุ) เงื่อนไขนั้น ยังทำไม ขาดการป้องกันมาก่อนหรือไม่ หรือบางทีหากข้อผิดพลาดมาตรฐานได้รับก่อนกว้าง uninformative ก่อนการวิเคราะห์ที่เหลือเพียงแค่ล้างออก ฉันไม่รู้.
ปีเตอร์เลียวโปลด์

คำตอบ:


2

ใน p114 ของหนังสือเล่มเดียวกันที่คุณอ้างถึง: "ปัญหาของการประเมินชุดของวิธีการที่มีความแปรปรวนที่ไม่รู้จักจะต้องใช้วิธีการคำนวณเพิ่มเติมที่นำเสนอในส่วนที่ 11.6 และ 13.6" ดังนั้นเพื่อความเรียบง่าย; สมการในบทของคุณทำงานในรูปแบบปิดในขณะที่ถ้าคุณจำลองความแปรปรวนพวกเขาทำไม่ได้และคุณต้องการเทคนิค MCMC จากบทที่ใหม่กว่า

1n1(xix¯)2


ฉันเห็น - พวกเขาคิดว่าความแปรปรวนนั้นประมาณกันอย่างแม่นยำมากอีกนัยหนึ่งข้อผิดพลาดมาตรฐานของความแปรปรวนนั้นเล็กมาก?
ไฮเซนเบิร์ก

nσ^22σ4/(n1)
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.