สถิติและข้อมูลขนาดใหญ่

ถามตอบสำหรับผู้ที่สนใจในสถิติการเรียนรู้ของเครื่องจักรการวิเคราะห์ข้อมูลการขุดข้อมูล

5
เมื่อและอย่างอิสระ
Y X ∼ χ 2 ( n - 1 ) Y ∼ เบต้า( nXXXและมีการกระจายตัวแปรสุ่มแบบอิสระโดยที่และขวา) การกระจายของคืออะไร?YYYX∼χ2(n−1)X∼χ(n−1)2X\sim\chi^2_{(n-1)}Y∼Beta(n2−1,n2−1)Y∼Beta(n2−1,n2−1)Y\sim\text{Beta}\left(\frac{n}{2}-1,\frac{n}{2}-1\right)Z=(2Y−1)X−−√Z=(2Y−1)XZ=(2Y-1)\sqrt X ความหนาแน่นรอยต่อของได้รับจาก(X,Y)(X,Y)(X,Y) fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}fX,Y(x,y)=fX(x)fY(y)=e−x2xn−12−12n−12Γ(n−12)⋅yn2−2(1−y)n2−2B(n2−1,n2−1)1{x&gt;0,0&lt;y&lt;1}f_{X,Y}(x,y)=f_X(x)f_Y(y)=\frac{e^{-\frac{x}{2}}x^{\frac{n-1}{2}-1}}{2^{\frac{n-1}{2}}\Gamma\left(\frac{n-1}{2}\right)}\cdot\frac{y^{\frac{n}{2}-2}(1-y)^{\frac{n}{2}-2}}{B\left(\frac{n}{2}-1,\frac{n}{2}-1\right)}\mathbf1_{\{x>0\,,\,00\,,\,|z|<w\}} ไฟล์ PDF ส่วนขอบของนั้นคือ ซึ่งไม่ได้นำพาฉันไปทุกที่ฉZ ( Z ) = ∫ ∞ | z | f Z , W ( z , w )ZZZfZ(z)=∫∞|z|fZ,W(z,w)dwfZ(z)=∫|z|∞fZ,W(z,w)dwf_Z(z)=\displaystyle\int_{|z|}^\infty f_{Z,W}(z,w)\,\mathrm{d}w อีกครั้งในขณะที่ค้นหาฟังก์ชันการกระจายของฟังก์ชันเบต้า / แกมม่าที่ไม่สมบูรณ์จะปรากฏขึ้น:ZZZ FZ(z)=Pr(Z≤z)FZ(z)=Pr(Z≤z)F_Z(z)=\Pr(Z\le z) =Pr((2Y−1)X−−√≤z)=∬(2y−1)x√≤zfX,Y(x,y)dxdy=Pr((2Y−1)X≤z)=∬(2y−1)x≤zfX,Y(x,y)dxdy\quad\qquad=\Pr((2Y-1)\sqrt X\le z)=\displaystyle\iint_{(2y-1)\sqrt{x}\le z}f_{X,Y}(x,y)\,\mathrm{d}x\,\mathrm{d}y …

1
รูปแบบเมทริกซ์ของการแพร่กระจายย้อนกลับพร้อมการทำให้เป็นมาตรฐาน
การทำให้เป็นมาตรฐานของแบทช์ได้รับเครดิตด้วยการปรับปรุงประสิทธิภาพอย่างมากในอวนตาข่ายประสาท วัสดุจำนวนมากบนอินเทอร์เน็ตแสดงวิธีใช้งานบนพื้นฐานการเปิดใช้งานโดยการเปิดใช้งาน ฉันใช้ backprop ไปแล้วโดยใช้พีชคณิตเมทริกซ์และเนื่องจากฉันทำงานในภาษาระดับสูง (ในขณะที่พึ่งพาRcpp(และในที่สุด GPU ของ) สำหรับการคูณเมทริกซ์หนาแน่น) การฉีกทุกอย่างออกไปและหันไปใช้forลูปของฉัน อย่างมีนัยสำคัญนอกเหนือไปจากความเจ็บปวดขนาดใหญ่ ฟังก์ชั่นการปรับสภาพแบทช์คือ โดยที่b(xp)=γ(xp−μxp)σ−1xp+βb(xp)=γ(xp−μxp)σxp−1+β b(x_p) = \gamma \left(x_p - \mu_{x_p}\right) \sigma^{-1}_{x_p} + \beta คือ Pโหนด, th ก่อนที่มันจะได้รับการเปิดใช้งานxpxpx_pppp และ βเป็นพารามิเตอร์สเกลาร์γγ\gammaββ\beta และ σ x พีมีค่าเฉลี่ยและ SD ของ xพี (โปรดสังเกตว่าปกติใช้สแควร์รูทของความแปรปรวนบวกกับฟัดจ์แฟคเตอร์ - สมมติว่าองค์ประกอบที่ไม่ใช่ศูนย์เพื่อความกะทัดรัด)μxpμxp\mu_{x_p}σxpσxp\sigma_{x_p}xpxpx_p ในรูปแบบเมทริกซ์ฟื้นฟูชุดสำหรับชั้นทั้งจะ ที่b(X)=(γ⊗1p)⊙(X−μX)⊙σ−1X+(β⊗1p)b(X)=(γ⊗1p)⊙(X−μX)⊙σX−1+(β⊗1p) b(\mathbf{X}) = \left(\gamma\otimes\mathbf{1}_p\right)\odot \left(\mathbf{X} - \mu_{\mathbf{X}}\right) \odot\sigma^{-1}_{\mathbf{X}} + \left(\beta\otimes\mathbf{1}_p\right) คือ …

3
วิธีตั้งโปรแกรมการจำลอง Monte Carlo ของกล่องเส้นขนานของ Bertrand ได้อย่างไร
ปัญหาต่อไปนี้ได้รับการโพสต์ในหน้า Facebook ของ Mensa International: \quad\quad\quad\quad\quad\quad\quad\quad โพสต์นั้นได้รับความคิดเห็นมากกว่า 1,000 ข้อ แต่ฉันจะไม่ลงรายละเอียดเกี่ยวกับการอภิปรายที่นั่นเพราะฉันรู้ว่านี่คือกล่องความขัดแย้งของเบอร์ทรานด์และคำตอบคือ . สิ่งที่ทำให้ฉันสนใจที่นี่คือหนึ่งจะตอบปัญหานี้โดยใช้วิธีการ Monte Carlo ได้อย่างไร อัลกอริทึมเป็นวิธีการแก้ปัญหานี้อย่างไร2323\frac23 นี่คือความพยายามของฉัน: สร้างกระจายอย่างสม่ำเสมอตัวเลขสุ่มระหว่าง0และ1NNN000111 ให้เหตุการณ์ของกล่องมี 2 ลูกทองคำ (กล่อง 1) เลือกน้อยกว่าครึ่ง 0.50.50.5SSS P(B2=G|B1=G)=SS+0.5(N−S)P(B2=G|B1=G)=SS+0.5(N−S)P(B2=G|B1=G)=\frac{S}{S+0.5(N-S)} การใช้อัลกอริทึมด้านบนใน R: N &lt;- 10000 S &lt;- sum(runif(N)&lt;0.5) S/(S+0.5*(N-S)) 0.670.670.67

3
นักวิจัย 1 ทำงาน 1,000 การถดถอยนักวิจัย 2 ทำงานเพียง 1 ทั้งสองได้ผลลัพธ์เดียวกัน - พวกเขาควรทำการอนุมานที่แตกต่างกันหรือไม่
ลองนึกภาพนักวิจัยกำลังสำรวจชุดข้อมูลและเรียกใช้การถดถอยที่แตกต่างกัน 1,000 รายการและเขาพบว่ามีความสัมพันธ์ที่น่าสนใจหนึ่งอย่างในหมู่พวกเขา ทีนี้ลองนึกภาพว่านักวิจัยอีกคนที่มีข้อมูลเดียวกัน ทำงานเพียง 1 การถดถอยและมันกลับกลายเป็นว่าเป็นสิ่งเดียวกับที่นักวิจัยคนอื่นเอามา 1,000 การค้นหา นักวิจัย 2 ไม่รู้จักนักวิจัย 1 นักวิจัย 1 ควรอนุมานต่างจากนักวิจัย 2 หรือไม่? ทำไม? ตัวอย่างเช่นนักวิจัย 1 ควรทำการแก้ไขการเปรียบเทียบหลายรายการ แต่นักวิจัย 2 ไม่ควร? หากนักวิจัย 2 แสดงให้คุณเห็นการถดถอยเดี่ยวของคุณก่อนคุณจะทำการอนุมานอะไร หากหลังจากนักวิจัยคนที่ 1 แสดงผลลัพธ์ให้คุณคุณควรเปลี่ยนการอนุมานของคุณหรือไม่ ถ้าเป็นเช่นนั้นทำไมมันถึงสำคัญ? ป.ล. 1 : ถ้าพูดถึงนักวิจัยสมมุติที่ทำให้ปัญหาเป็นนามธรรมลองคิดดูสิ: ลองจินตนาการว่าคุณใช้การถดถอยเพียงครั้งเดียวสำหรับกระดาษของคุณโดยใช้วิธีการที่ดีที่สุด จากนั้นนักวิจัยอีกสำรวจ 1000 ถดถอยที่แตกต่างกับข้อมูลเดียวกันจนกระทั่งเขาพบถดถอยเดียวกันแน่นอนคุณขับรถ คุณสองคนควรทำการอนุมานที่แตกต่างกันหรือไม่? หลักฐานนี้เหมือนกันทั้งสองกรณีหรือไม่? คุณควรเปลี่ยนข้อสรุปของคุณถ้าคุณรู้ผลลัพธ์ของนักวิจัยคนอื่น ๆ ? ประชาชนควรประเมินหลักฐานของการศึกษาทั้งสองอย่างไร ป.ล. 2:โปรดพยายามเจาะจงและให้เหตุผลทางคณิตศาสตร์ / ทฤษฎีถ้าเป็นไปได้!

1
โมเดลสารเติมแต่งทั่วไป (GAMs), การโต้ตอบและ covariates
ฉันสำรวจเครื่องมือจำนวนหนึ่งเพื่อการคาดการณ์และพบว่าแบบจำลองการเติมทั่วไป (เกม) เพื่อให้มีศักยภาพมากที่สุดสำหรับจุดประสงค์นี้ เกมยอดเยี่ยม! พวกเขาอนุญาตให้ระบุแบบจำลองที่ซับซ้อนอย่างรัดกุม อย่างไรก็ตามความกระชับแบบเดียวกันนั้นทำให้ฉันสับสนโดยเฉพาะอย่างยิ่งในเรื่องที่ว่า GAMs เข้าใจถึงเงื่อนไขการมีปฏิสัมพันธ์และเพื่อนร่วมรัฐอย่างไร ลองพิจารณาชุดข้อมูลตัวอย่าง (โค้ดที่ทำซ้ำได้เมื่อสิ้นสุดการโพสต์) ซึ่งyเป็นฟังก์ชั่นแบบโมโนโทนิกที่รบกวนโดย gaussians สองคู่พร้อมเสียงรบกวน: ชุดข้อมูลมีตัวแปรตัวทำนายบางอย่าง: x: ดัชนีของข้อมูล (1-100) w: คุณลักษณะรองที่ทำเครื่องหมายส่วนต่างๆของyที่ซึ่งมีเกาส์เซียนอยู่ wมีค่า 1-20 โดยxอยู่ระหว่าง 11 ถึง 30 และ 51 ถึง 70 มิฉะนั้นwเท่ากับ 0 w2: w + 1เพื่อที่จะไม่มีค่า 0 mgcvแพ็คเกจของ R ทำให้ง่ายต่อการระบุจำนวนโมเดลที่เป็นไปได้สำหรับข้อมูลเหล่านี้: โมเดล 1 และ 2 นั้นใช้งานง่าย การคาดการณ์yเฉพาะจากค่าดัชนีในxที่ความเรียบเริ่มต้นสร้างสิ่งที่ถูกต้องราง แต่เรียบเกินไป การคาดการณ์yจากwผลลัพธ์ในรูปแบบของ "เฉลี่ย gaussian" ที่มีอยู่yและไม่มี …
12 r  modeling  gam  mgcv 

1
เป็นแปลงราก -th แนะนำ?
เพื่อนร่วมงานของฉันต้องการวิเคราะห์ข้อมูลบางอย่างหลังจากเปลี่ยนตัวแปรการตอบสนองด้วยการเพิ่มเป็น (นั่นคือ )1818\frac18y0.125y0.125y^{0.125} ฉันรู้สึกไม่สบายใจกับสิ่งนี้ แต่การดิ้นรนเพื่ออธิบายว่าทำไม ฉันไม่สามารถนึกถึงเหตุผลเชิงกลไกใด ๆ สำหรับการเปลี่ยนแปลงนี้ ฉันไม่เคยเห็นมาก่อนและฉันกังวลว่าบางทีมันอาจทำให้อัตราความผิดพลาดของ Type I หรือบางอย่างเพิ่มขึ้น - แต่ฉันไม่มีอะไรจะสนับสนุนข้อกังวลเหล่านี้! นอกจากนี้เพื่อนร่วมงานของฉันพบว่าโมเดลที่แปลงเหล่านี้มีประสิทธิภาพสูงกว่าโมเดลที่ไม่ได้รับการแปลงในการเปรียบเทียบ AIC ในตัวมันเองปรับการใช้งานให้เหมาะสมหรือไม่?

5
การถดถอยเชิงเส้นล้าสมัยหรือไม่ [ปิด]
ปิด คำถามนี้เป็นคำถามความคิดเห็นตาม ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ อัปเดตคำถามเพื่อให้สามารถตอบข้อเท็จจริงและการอ้างอิงได้โดยแก้ไขโพสต์นี้ ปิดให้บริการใน2 ปีที่ผ่านมา ขณะนี้ฉันอยู่ในชั้นเรียนการถดถอยเชิงเส้น แต่ฉันไม่สามารถสั่นคลอนความรู้สึกว่าสิ่งที่ฉันกำลังเรียนรู้ไม่เกี่ยวข้องในสถิติที่ทันสมัยหรือการเรียนรู้ของเครื่อง เหตุใดจึงใช้เวลามากกับการอนุมานในการถดถอยเชิงเส้นแบบง่าย ๆ หรือหลายครั้งเมื่อชุดข้อมูลที่น่าสนใจมากมายในสมัยนี้ละเมิดข้อสันนิษฐานที่ไม่สมจริงหลายประการของการถดถอยเชิงเส้น ทำไมไม่สอนการอนุมานเกี่ยวกับเครื่องมือที่ทันสมัยและยืดหยุ่นกว่าเช่นการถดถอยโดยใช้เครื่องเวกเตอร์สนับสนุนหรือกระบวนการ Gaussian แม้ว่าจะซับซ้อนกว่าการหาไฮเปอร์เพลนในอวกาศ แต่สิ่งนี้จะไม่ให้ภูมิหลังที่ดีกว่าสำหรับการจัดการปัญหาวันสมัยใหม่หรือไม่?

2
ทำความเข้าใจเกี่ยวกับการถดถอยโลจิสติกและความน่าจะเป็น
การประมาณค่าพารามิเตอร์ / การฝึกอบรมการถดถอยโลจิสติกทำงานอย่างไร ฉันจะพยายามใส่สิ่งที่ฉันได้รับจนถึง เอาต์พุตคือ y เอาต์พุตของฟังก์ชันลอจิสติกในรูปแบบของความน่าจะเป็นขึ้นอยู่กับค่าของ x: P( y= 1 | x ) = 11 + e- ωTx≡ σ( ωTx )P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) P( y= 0 | x ) = 1 - P( y= 1 | x ) = 1 - 11 + e- ωTxP(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1-P(y=1|x)=1-{1\over1+e^{-\omega^Tx}} สำหรับหนึ่งมิติ Odds ที่เรียกว่าถูกกำหนดดังนี้: p ( y= …

2
ตัวอย่างการสร้างการแสดง
วิธีสร้างตัวอย่างของการแจกแจงความน่าจะเป็นที่ถือสมมติ ?E(1X)=1E(X)E(1X)=1E(X)\mathbb{E}\left(\frac{1}{X}\right)=\frac{1}{\mathbb{E}(X)}P(X≠0)=1P(X≠0)=1\mathbb{P}(X\ne0)=1 ความไม่เท่าเทียมกันซึ่งต่อไปนี้จากความไม่เท่าเทียมกันของเซ่นสำหรับบวกมูลค่ารถอาร์วีเป็นเหมือน (ความไม่เท่าเทียมกันย้อนกลับถ้า ) เพราะนี่คือการทำแผนที่นูนสำหรับและเว้าสำหรับ&lt;0 ตามเงื่อนไขความเสมอภาคในความไม่เท่าเทียมกันของ Jensen ฉันเดาว่าการกระจายต้องทำให้เสื่อมถอยลงเพื่อให้เกิดความเสมอภาคที่จำเป็น กรณีเล็ก ๆ น้อย ๆ ที่ความเสมอภาคถือเป็นเรื่องแน่นอนถ้า ae นี่คือตัวอย่างที่ฉันพบในหนังสือปัญหา: พิจารณาตัวแปรสุ่มแบบไม่ต่อเนื่องเช่นนั้นXXXE(1X)≥1E(X)E(1X)≥1E(X)\mathbb{E}\left(\frac{1}{X}\right)\ge\frac{1}{\mathbb{E}(X)}X&lt;0X&lt;0X<0x↦1xx↦1xx\mapsto\frac{1}{x}x&gt;0x&gt;0x>0x&lt;0x&lt;0x<0X=1X=1X=1XXXP(X=−1)=19,P(X=12)=P(X=2)=49P(X=−1)=19,P(X=12)=P(X=2)=49\mathbb{P}(X=-1)=\frac{1}{9}, \mathbb{P}(X=\frac{1}{2})=\mathbb{P}(X=2)=\frac{4}{9}{9} มันก็จะมีการยืนยันได้อย่างง่ายดายว่า 1E(1X)=1E(X)=1E(1X)=1E(X)=1\mathbb{E}\left(\frac{1}{X}\right)=\frac{1}{\mathbb{E}(X)}=1 ตัวอย่างนี้แสดงว่าไม่จำเป็นต้องเป็นค่าบวก (หรือลบ) ae สำหรับความเสมอภาคในหัวเรื่องที่จะถือ การกระจายที่นี่ไม่ได้ลดลงเช่นกันXXX ฉันจะสร้างตัวอย่างได้อย่างไรเหมือนอย่างที่ฉันพบในหนังสือเล่มนี้? มีแรงจูงใจอะไรบ้าง?

1
บทสรุปของ GAM พอดี
หากเราเหมาะกับ GAM เช่น: gam.fit = gam::gam(Outstate ~ Private + s(Room.Board, df = 2) + s(PhD, df = 2) + s(perc.alumni, df = 2) + s(Expend, df = 5) + s(Grad.Rate, df = 2), data = College) ที่เราใช้ในชุดข้อมูลที่สามารถพบได้ในแพคเกจCollege ตอนนี้ถ้าเราพบบทสรุปของแบบนี้แล้วเราจะเห็นว่า:ISLR &gt; summary(gam.fit) Call: gam(formula = Outstate ~ Private + s(Room.Board, df = …
12 anova  gam 

1
ข้อมูลที่หายไปจะถูกจัดการได้อย่างไรเมื่อใช้ splines หรือ polynomials ที่เป็นเศษส่วน
ฉันกำลังอ่านการสร้างแบบจำลองหลายตัวแปร: แนวทางปฏิบัติในการวิเคราะห์การถดถอยโดยใช้พหุนามเศษส่วนสำหรับการสร้างแบบจำลองตัวแปรต่อเนื่องโดย Patrick Royston และ Willie Sauerbrei จนถึงตอนนี้ฉันประทับใจและเป็นวิธีที่น่าสนใจที่ฉันไม่เคยพิจารณามาก่อน แต่ผู้เขียนไม่ได้จัดการกับข้อมูลที่ขาดหายไป แน่นอนใน p. พวกเขากล่าวว่าข้อมูลที่หายไป "นำเสนอปัญหาเพิ่มเติมมากมายไม่พิจารณาที่นี่" การใส่หลายแบบทำงานกับพหุนามเศษส่วนหรือไม่ FP คือบางวิธี (แต่ไม่ใช่ทั้งหมด) ทางเลือกสำหรับ splines ง่ายต่อการจัดการกับข้อมูลที่ขาดหายไปสำหรับการถดถอยแบบอิสระหรือไม่

3
วันนี้มีใครบางคนที่เร็วกว่า Usain Bolt ไหม?
แก้ไข: ฉันสนใจในปัญหาทางเทคนิคและวิธีการในการกำหนดโอกาสสูงสุด "จริง" ในประชากรที่กำหนดให้สถิติตัวอย่าง มีปัญหาเกี่ยวกับการประเมินความเป็นไปได้ของนักวิ่งที่เร็วกว่า Mr. Bolt จากช่วงเวลาบันทึกการตั้งค่าที่ชัดเจนและละเอียดอ่อน ขำขันฉันด้วยการจินตนาการว่านี่จะไม่เป็นอย่างนั้น Usain Bolt เป็นมนุษย์ที่วัดได้เร็วที่สุดในระยะ 100 เมตร อย่างไรก็ตามจากจำนวนนักกีฬาจำนวนน้อยดูเหมือนว่ามนุษย์ที่เร็วที่สุดที่ "จริง" ยังมีชีวิตอยู่กำลังนั่งบนโซฟาอยู่ที่ไหนสักแห่งและไม่เคยพยายามประกอบอาชีพการแข่งขัน ฉันพยายามใช้ความจริงที่ว่าความแตกต่างระหว่างตัวอย่างที่ส่วนท้ายของการแจกแจงแบบปกตินั้นเล็กลงและเล็กลง ฉันใช้สิ่งนี้เพื่อคำนวณความเป็นไปได้ที่จะมีใครบางคนที่เร็วกว่า Usain Bolt โดยการเปรียบเทียบ Usain กับอันดับที่สองที่เร็วที่สุดอันดับที่ 3 และอื่น ๆ เมื่อต้องการทำสิ่งนี้ฉันพยายามคำนวณค่าที่มากที่สุดที่มีอยู่นอกเหนือจาก "Usain Bolt" โดยการหาอนุพันธ์ของ CDF ของการแจกแจงแบบปกติเทียบกับyyyยกให้เป็นnnn th (โดยที่nnnมีค่าประมาณ 7,000,000,000 หรือจำนวน ตัวอย่างน้อยกว่า "สูงสุด" - ตรรกะที่อยู่เบื้องหลังนี้อธิบายไว้ในหน้าปัญหารถถังเยอรมันวิกิพีเดียซึ่งสรุปการกระจายตัวที่แตกต่างกัน) เช่น: ∫∞0yfYN(y)dy=λn∫∞0y[12[1+erf(y−μσ2√)]]n−112πσ2√e−(y−μ)22σ2dy∫0∞yfYN(y)dy=λn∫0∞y[12[1+erf⁡(y−μσ2)]]n−112πσ2e−(y−μ)22σ2dy\int_{0}^{\infty}y f_{Y_N} (y)dy = \lambda n \int_{0}^{\infty} y …

5
ฉันจะตีความแผนการกระจายนี้ได้อย่างไร
ฉันมีพล็อตกระจายที่มีขนาดตัวอย่างซึ่งเท่ากับจำนวนคนบนแกน x และเงินเดือนมัธยฐานบนแกน y ฉันพยายามหาว่าขนาดกลุ่มตัวอย่างมีผลต่อเงินเดือนเฉลี่ยหรือไม่ นี่คือพล็อต: ฉันจะตีความพล็อตนี้ได้อย่างไร

2
เส้นโค้งใน GLM และ GAM
ผิดหรือเปล่าที่เส้นโค้งนั้นมีเฉพาะในรุ่น GAM และไม่ใช่รุ่น GLM หรือไม่ ฉันได้ยินมาพักหนึ่งแล้วและสงสัยว่านี่เป็นเพียงความเข้าใจผิดหรือมีความจริงบางอย่างกับมัน นี่คือภาพประกอบ:

1
เหตุใดการกำหนดพารามิเตอร์ซ้ำซ้อนจึงเพิ่มความเร็วใน Gibbs MCMC
ในหนังสือของ Gelman &amp; Hill (2007) (การวิเคราะห์ข้อมูลโดยใช้การถดถอยและโมเดลหลายระดับ / ลำดับชั้น) ผู้เขียนอ้างว่าการรวมพารามิเตอร์ที่ซ้ำซ้อนสามารถช่วยเร่ง MCMC ได้ ตัวอย่างที่กำหนดเป็นรูปแบบที่ไม่ใช่ซ้อนกันของ "flight simulator" (Eq 13.9): yiγjδk∼N(μ+γj[i]+δk[i],σ2y)∼N(0,σ2γ)∼N(0,σ2δ)yi∼N(μ+γj[i]+δk[i],σy2)γj∼N(0,σγ2)δk∼N(0,σδ2) \begin{align} y_i &\sim N(\mu + \gamma_{j[i]} + \delta_{k[i]}, \sigma^2_y) \\ \gamma_j &\sim N(0, \sigma^2_\gamma) \\ \delta_k &\sim N(0, \sigma^2_\delta) \end{align} พวกเขาแนะนำการแก้ไขใหม่เพิ่มพารามิเตอร์ค่าเฉลี่ยและดังนี้:μγμγ\mu_\gammaμδμδ\mu_\delta γj∼N(μγ,σ2γ)δk∼N(μδ,σ2δ)γj∼N(μγ,σγ2)δk∼N(μδ,σδ2) \begin{align} \gamma_j \sim N(\mu_\gamma, \sigma^2_\gamma) \\ \delta_k \sim N(\mu_\delta, \sigma^2_\delta) \end{align} …

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