การสร้างช่วงความมั่นใจโดยพิจารณาจากความน่าจะเป็นของโปรไฟล์


25

ในหลักสูตรสถิติเบื้องต้นของฉันฉันได้เรียนรู้วิธีสร้างช่วงความมั่นใจ 95% เช่นค่าเฉลี่ยประชากรโดยยึดตามมาตรฐานเชิงเส้นกำกับสำหรับขนาดตัวอย่าง "ใหญ่" นอกเหนือจากresampling วิธี (เช่นบูต) มีวิธีการอื่นที่อยู่บนพื้นฐานของ"ความน่าจะเป็นรายละเอียด" มีคนอธิบายแนวทางนี้ได้ไหมμ

ภายใต้สถานการณ์ใด CI 95% ที่สร้างขึ้นตามเกณฑ์เชิงเส้นกำกับและความน่าจะเป็นของโปรไฟล์นั้นเทียบเคียงได้อย่างไร ฉันไม่พบการอ้างอิงใด ๆ ในหัวข้อนี้การอ้างอิงที่แนะนำใด ๆ ทำไมมันไม่ใช้กันอย่างแพร่หลายมากขึ้น?

คำตอบ:


23

โดยทั่วไปช่วงความเชื่อมั่นที่ยึดตามข้อผิดพลาดมาตรฐานนั้นขึ้นอยู่กับสมมติฐานของความเป็นมาตรฐานสำหรับตัวประมาณ "ช่วงความมั่นใจโอกาสโปรไฟล์" ให้ทางเลือกอื่น

ฉันค่อนข้างมั่นใจว่าคุณสามารถหาเอกสารสำหรับสิ่งนี้ ตัวอย่างเช่นที่นี่และการอ้างอิงในนั้น

นี่คือภาพรวมคร่าวๆ

ให้เราบอกว่าข้อมูลขึ้นอยู่กับพารามิเตอร์สองตัว (เวกเตอร์ของ),และโดยที่เป็นที่สนใจและเป็นพารามิเตอร์ที่สร้างความรำคาญθδθδ

โปรไฟล์ความน่าจะเป็นของถูกกำหนดโดยθ

Lp(θ)=maxδL(θ,δ)

ที่L(θ,δ)คือ 'โอกาสทั้งหมด' Lp(θ)ไม่ได้ขึ้นอยู่กับ\ deltaอีกต่อไปδเนื่องจากถูกลบโปรไฟล์แล้ว

ปล่อยให้สมมุติฐานว่างเป็นH0:θ=θ0และสถิติอัตราส่วนความน่าจะเป็น

LR=2(logLp(θ^)logLp(θ0))

ที่คือค่าของที่เพิ่มความน่าจะเป็นรายละเอียดtheta)θ^θLp(θ)

"ช่วงความมั่นใจโอกาสโปรไฟล์" สำหรับประกอบด้วยค่าเหล่านั้นซึ่งการทดสอบไม่สำคัญθθ0


3
@ ocram- ขอบคุณสำหรับการชี้แจง ดูเหมือนว่าวิธีการนั้นต้องใช้การคำนวณอย่างเข้มข้นเพื่อเพิ่มโอกาสในโปรไฟล์ให้มากที่สุด เพียงแค่สงสัยว่าทำไมไม่เพียงแค่หันไปใช้วิธีบูตสแตรปหากตัวประมาณไม่ได้ถูกกระจายแบบปกติ

2
Bootstrap ยังเป็นวิธีการแบบซีมโทติคและคำนวณแบบเข้มข้นในตัวเองดังนั้นจึงไม่ใช่คำตอบที่เป็นธรรมชาติถ้าคุณต้องการหลีกเลี่ยงการคำนวณแบบเข้มข้น ...
kjetil b halvorsen

1
คุณช่วยบอกฉันหน่อยได้ไหมว่าความน่าจะเป็นความครอบคลุมของช่วงความมั่นใจในโปรไฟล์สูงกว่าความน่าจะเป็นของการครอบคลุมตามมาตรฐาน asymptotic ปกติหรือไม่
เวลา

1
@ เวลา: ฉันไม่รู้ ... ฉันเดาว่ามันขึ้นอยู่กับว่าการแจกแจงแบบปกติแบบมาตรฐานเชิงเส้นนั้นถูกต้องหรือไม่ การศึกษาแบบจำลองขนาดเล็กน่าจะง่ายต่อการเข้าใจ
ocram
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.