สถิติและข้อมูลขนาดใหญ่

ถามตอบสำหรับผู้ที่สนใจในสถิติการเรียนรู้ของเครื่องจักรการวิเคราะห์ข้อมูลการขุดข้อมูล

2
ทำไมเนย์แมน - เพียร์สันบทแทรกบทแทรกและไม่ใช่ทฤษฎีบท?
นี่เป็นคำถามประวัติมากกว่าคำถามทางเทคนิค ทำไมเนย์แมน - เพียร์สันบทแทรกบทเล็มม่าไม่ใช่ทฤษฎีบท ลิงก์ไปยังวิกิ: https://en.wikipedia.org/wiki/Neyman%E2%80%93Pearson_lemma หมายเหตุ : คำถามไม่ได้เกี่ยวกับบทแทรกคืออะไรและวิธีใช้บทแทรกเพื่อพิสูจน์ทฤษฎีบท แต่เกี่ยวกับประวัติของบทแทรกของ Neyman-Pearson มันใช้เพื่อพิสูจน์ทฤษฎีบทแล้วมันเกิดประโยชน์มากขึ้นหรือไม่? มีหลักฐานใด ๆ เกี่ยวกับเรื่องนี้นอกเหนือจากความสงสัยว่าเป็นกรณีนี้หรือไม่?

4
“ การฉายแบบสุ่ม” ไม่ใช่การฉายอย่างเคร่งครัดหรือไม่?
การใช้งานปัจจุบันของอัลกอริธึมการฉายแบบสุ่มลดมิติข้อมูลตัวอย่างโดยการแมปจากถึงโดยใช้เมทริกซ์การฉายซึ่งรายการนั้นมีการกระจายที่เหมาะสม (เช่นจาก ):RdRd\mathbb R^dRkRk\mathbb R^kd× kd×kd\times kRRRยังไม่มีข้อความ( 0 , 1 )N(0,1)\mathcal N(0,1) x′=1k√xRx′=1kxRx^\prime = \frac{1}{\sqrt k}xR สะดวกพิสูจน์หลักฐานทางทฤษฎีที่มีอยู่แสดงให้เห็นว่าการทำแผนที่นี้ประมาณรักษาระยะทางคู่ อย่างไรก็ตามเมื่อเร็ว ๆ นี้ฉันพบบันทึกเหล่านี้ที่ผู้เขียนอ้างว่าการแมปนี้ด้วยเมทริกซ์แบบสุ่มไม่ใช่การฉายภาพในความหมายเชิงพีชคณิตเชิงเส้นที่เข้มงวดของคำ (หน้า 6) จากคำอธิบายที่ให้มีนี้เป็นเพราะคอลัมน์ของไม่ได้ฉากอย่างเคร่งครัดเมื่อรายการของตนได้รับการแต่งตั้งเป็นอิสระจาก(0,1) ดังนั้นรุ่นก่อนหน้าของ RP ที่มีการบังคับใช้มุมฉากของคอลัมน์ถูกบังคับให้ถือเป็นเส้นโครงRRRN(0,1)N(0,1)\mathcal N(0,1)RRR คุณสามารถให้คำอธิบายโดยละเอียดเพิ่มเติมเกี่ยวกับ (1) คำจำกัดความของการฉายภาพในแง่ที่เข้มงวดนี้คืออะไรและ (2) เหตุใด RP จึงไม่ฉายภายใต้คำจำกัดความนี้

5
เหตุใดจึงควรหลีกเลี่ยงการถูก Binning ที่ค่าใช้จ่ายทั้งหมด?
ดังนั้นผมจึงได้อ่านโพสต์ไม่กี่เกี่ยวกับสาเหตุที่ Binning ควรเสมอที่จะหลีกเลี่ยง ข้อมูลอ้างอิงยอดนิยมสำหรับการอ้างสิทธิ์ว่าเป็นลิงก์นี้ การหลบหลีกที่สำคัญคือจุดที่ binning (หรือจุดตัด) นั้นค่อนข้างมีข้อ จำกัด รวมถึงการสูญเสียข้อมูลที่เกิดขึ้นและเส้นโค้งนั้นควรเป็นที่ต้องการ อย่างไรก็ตามฉันกำลังทำงานกับ Spotify API ซึ่งมีมาตรการความเชื่อมั่นอย่างต่อเนื่องสำหรับคุณสมบัติหลายประการของพวกเขา ดูที่คุณลักษณะหนึ่ง "instrumentalness" สถานะอ้างอิง: ทำนายว่าแทร็กไม่มีเสียงร้องหรือไม่ เสียง“ Ooh” และ“ aah” นั้นถือเป็นเครื่องมือในบริบทนี้ แร็พหรือแทร็กคำพูดนั้นชัดเจนว่า "แกนนำ" ยิ่งมีค่าใกล้กับ 1.0 มากเท่าไหร่โอกาสที่แทร็กจะไม่มีเนื้อหาเสียงร้องก็ยิ่งมากขึ้นเท่านั้น ค่าที่สูงกว่า 0.5 มีวัตถุประสงค์เพื่อเป็นตัวแทนเครื่องมือแต่ความมั่นใจสูงกว่าเมื่อค่าเข้าใกล้ 1.0 ด้วยการกระจายข้อมูลที่เบ้ไปทางซ้ายอย่างมาก (ประมาณ 90% ของกลุ่มตัวอย่างแทบจะไม่สูงกว่า 0 ฉันพบว่าเหมาะสมที่จะเปลี่ยนคุณสมบัตินี้ให้เป็นคุณสมบัติสองประเภท: "เครื่องมือ" (ตัวอย่างทั้งหมดที่มีค่าสูงกว่า 0.5) และ "non_instrumental "(สำหรับตัวอย่างทั้งหมดที่มีค่าต่ำกว่า 0.5) มันผิดหรือเปล่า? และอะไรจะเป็นทางเลือกเมื่อข้อมูล (ต่อเนื่อง) เกือบทั้งหมดของฉันหมุนรอบค่าเดียว? จากสิ่งที่ฉันเข้าใจเกี่ยวกับเส้นโค้งพวกเขาจะไม่ทำงานกับปัญหาการจำแนกประเภท …

2
เกิดอะไรขึ้นกับ Fuzzy Logic?
ตรรกะฟัซซีดูเหมือนจะเป็นพื้นที่ของการวิจัยในการเรียนรู้ของเครื่องจักรและการขุดข้อมูลกลับมาเมื่อฉันอยู่ในโรงเรียนระดับประถมศึกษา (ต้นปี 2000) ระบบอนุมานฟัซซี, ฟัซซีซีหมายถึง, ฟัซซีเวอร์ชั่นของโครงข่ายประสาทเทียมและสถาปัตยกรรมเวกเตอร์ของเครื่องเวกเตอร์สนับสนุนทั้งหมดถูกสอนในหลักสูตรระดับบัณฑิตศึกษาและอภิปรายในการประชุม ตั้งแต่ฉันเริ่มให้ความสนใจกับ ML อีกครั้ง (~ 2013), Fuzzy Logic ดูเหมือนว่าจะหลุดออกจากแผนที่อย่างสมบูรณ์และการหายไปจากภูมิทัศน์ ML ในปัจจุบันนั้นชัดเจนมากเนื่องจาก AI hype ทั้งหมด นี่เป็นกรณีของหัวข้อที่หลุดออกมาจากแฟชั่นหรือมีข้อ จำกัด เฉพาะของตรรกศาสตร์คลุมเครือและการอนุมานคลุมเครือที่นำไปสู่หัวข้อที่นักวิจัยถูกทอดทิ้งหรือไม่? เพื่อชี้แจงตามความคิดเห็นของ jbowman: มีบางเหตุการณ์หรือการค้นพบที่ทำให้ FL หลุดออกไปจากแฟชั่นคล้ายกับเครือข่ายประสาทในยุค 60 เมื่อพวกเขาออกจากแฟชั่นเพราะพิสูจน์ว่าพวกเขาไม่สามารถแก้ปัญหา XOR ได้ ? หรือ Fuzzy Systems มีประสิทธิภาพดีกว่าด้วยกระบวนทัศน์การแข่งขันหรือไม่

7
หลีกเลี่ยงการเลือกปฏิบัติทางสังคมในการสร้างแบบจำลอง
ฉันมีคำถามที่ได้รับแรงบันดาลใจจากเรื่องอื้อฉาวการรับสมัครงานล่าสุดของ Amazon ที่พวกเขาถูกกล่าวหาว่าเลือกปฏิบัติต่อสตรีในกระบวนการสรรหา ข้อมูลเพิ่มเติมที่นี่ : ผู้เชี่ยวชาญด้านการเรียนรู้เครื่องจักรของ Amazon.com Inc เปิดเผยปัญหาใหญ่: เครื่องมือการสรรหาคนใหม่ของพวกเขาไม่ชอบผู้หญิง ทีมได้สร้างโปรแกรมคอมพิวเตอร์ตั้งแต่ปี 2014 เพื่อตรวจสอบประวัติย่อของผู้สมัครงานโดยมีจุดประสงค์ในการค้นหาผู้มีความสามารถสูงสุด ...... เครื่องมือการทดลองเชิงทดลองของ บริษัท ใช้ปัญญาประดิษฐ์เพื่อให้คะแนนผู้สมัครงานตั้งแต่หนึ่งถึงห้าดาว ... ... แต่ในปี 2558 บริษัท ตระหนักว่าระบบใหม่ไม่ใช่การให้คะแนนผู้สมัครสำหรับงานพัฒนาซอฟต์แวร์และการโพสต์ทางเทคนิคอื่น ๆ ในลักษณะที่เป็นกลางทางเพศ นั่นเป็นเพราะโมเดลคอมพิวเตอร์ของอเมซอนได้รับการฝึกฝนให้ใช้สัตว์แพทย์โดยการสังเกตรูปแบบการดำเนินการต่อที่ส่งมาถึง บริษัท ในช่วงระยะเวลา 10 ปี ส่วนใหญ่มาจากผู้ชายซึ่งเป็นภาพสะท้อนของการครอบงำชายในอุตสาหกรรมเทคโนโลยี (สำหรับกราฟิกเกี่ยวกับการแยกเพศในเทคโนโลยีดูที่นี่ ) ผลของระบบ Amazon สอนตัวเองว่าผู้สมัครชายเป็นที่ต้องการ มันดำเนินการลงโทษที่รวมคำว่า "ผู้หญิง" ไว้ใน "กัปตันชมรมหมากรุกของผู้หญิง" และมันได้ปรับลดบัณฑิตของวิทยาลัยสตรีทั้งสองแห่งตามที่คนคุ้นเคยกับเรื่องนี้ พวกเขาไม่ได้ระบุชื่อโรงเรียน Amazon แก้ไขโปรแกรมเพื่อให้เป็นกลางกับข้อกำหนดเฉพาะเหล่านี้ แต่นั่นไม่รับประกันว่าเครื่องจะไม่คิดวิธีการคัดแยกผู้สมัครที่สามารถพิสูจน์การเลือกปฏิบัติได้ ท้ายที่สุด บริษัท ซีแอตเทิลยกเลิกทีมเมื่อต้นปีที่แล้วเพราะผู้บริหารสูญเสียความหวังในโครงการ ...... การทดลองของ …

3
สัญชาตญาณด้านหลังในรูปแบบปิดของ w ในการถดถอยเชิงเส้น
รูปแบบปิดของ w ในการถดถอยเชิงเส้นสามารถเขียนได้ w^=(XTX)−1XTyw^=(XTX)−1XTy\hat{w}=(X^TX)^{-1}X^Ty เราจะอธิบายบทบาทของในสมการนี้ได้อย่างไร(XTX)−1(XTX)−1(X^TX)^{-1}

2
การกระจายข้อเสนอสำหรับการแจกแจงปกติทั่วไป
ฉันกำลังสร้างแบบจำลองการกระจายพืชโดยใช้การแจกแจงปกติทั่วไป ( รายการวิกิพีเดีย ) ซึ่งมีฟังก์ชั่นความหนาแน่นของความน่าจะเป็น: b2aΓ(1/b)e−(da)bb2aΓ(1/b)e−(da)b \frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b} โดยที่คือระยะทางที่เดินทางคือพารามิเตอร์สเกลและคือพารามิเตอร์รูปร่าง ค่าเฉลี่ยระยะทางที่เดินทางได้รับจากค่าเบี่ยงเบนมาตรฐานของการแจกแจงนี้:dddaaabbb a2Γ(3/b)Γ(1/b)−−−−−−−−√a2Γ(3/b)Γ(1/b) \sqrt{\frac{a^2 \Gamma(3/b)}{\Gamma(1/b)}} นี้จะสะดวกเพราะมันช่วยให้รูปร่างชี้แจงเมื่อ , รูปร่าง Gaussian เมื่อและสำหรับการกระจาย leptokurtic เมื่อ&lt;1 การกระจายพืชนี้ขึ้นเป็นประจำในวรรณคดีกระจายพืชแม้ว่ามันจะค่อนข้างหายากโดยทั่วไปและจึงยากที่จะหาข้อมูลเกี่ยวกับb=1b=1b=1b=2b=2b=2b&lt;1b&lt;1b<1 พารามิเตอร์ที่น่าสนใจที่สุดคือและระยะห่างระหว่างการกระจายbbb ฉันกำลังพยายามประเมินและโดยใช้ MCMC แต่ฉันพยายามที่จะหาวิธีที่มีประสิทธิภาพในการสุ่มตัวอย่างค่าข้อเสนอ จนถึงตอนนี้ฉันได้ใช้ Metropolis-Hastings และดึงออกมาจากการแจกแจงแบบสม่ำเสมอและและฉันได้รับระยะทางหลังเฉลี่ยประมาณ 200-400 เมตรซึ่งทำให้รู้สึกทางชีวภาพ อย่างไรก็ตามการบรรจบกันนั้นช้ามากและฉันไม่เชื่อว่ามันเป็นการสำรวจพื้นที่พารามิเตอร์ทั้งหมดaaabbb0&lt;a&lt;4000&lt;a&lt;4000 < a < 400 0&lt;b&lt;30&lt;b&lt;3 0 < b<3 มันยากที่จะเกิดขึ้นกับการกระจายข้อเสนอที่ดีกว่าสำหรับและเพราะพวกเขาพึ่งพากันโดยไม่มีความหมายมากด้วยตนเอง ระยะทางกระจายเฉลี่ยจะมีความหมายทางชีวภาพชัดเจน แต่ให้ระยะการแพร่กระจายเฉลี่ยอาจจะอธิบายได้ด้วยหลายอย่างมากมายการรวมกันของและขเช่นและมีความสัมพันธ์ในด้านหลังaaabbbaaabbbaaabbb จนถึงตอนนี้ฉันได้ใช้ Metropolis Hastings แต่ฉันเปิดให้อัลกอริทึมอื่น ๆ ที่จะทำงานที่นี่ คำถาม:ทุกคนสามารถแนะนำวิธีที่มีประสิทธิภาพมากขึ้นในการวาดค่าข้อเสนอสำหรับและหรือไม่?aaabbb แก้ไข: …

2
เหตุใดค่าสัมประสิทธิ์การถดถอยแบบลอจิสติกแบบ exponentiated ถือเป็น“ อัตราส่วนอัตราต่อรอง”
การถดถอยโลจิสติกแบบจำลองอัตราต่อรองของเหตุการณ์เป็นชุดทำนาย นั่นคือ log (p / (1-p)) โดยที่ p คือความน่าจะเป็นของผลลัพธ์บางอย่าง ดังนั้นการตีความของสัมประสิทธิ์การถดถอยโลจิสติกดิบสำหรับบางตัวแปร (x) จะต้องอยู่ในระดับอัตราการเข้าสู่ระบบ นั่นคือถ้าสัมประสิทธิ์สำหรับ x = 5 เรารู้ว่าการเปลี่ยนแปลง 1 หน่วยใน x กระเทยเป็น 5 การเปลี่ยนแปลงในระดับสเกลอัตราต่อรองที่ผลจะเกิดขึ้น อย่างไรก็ตามฉันมักจะเห็นคนตีความค่าสัมประสิทธิ์การถดถอยโลจิสติกแบบ exponentiatedเป็นอัตราส่วนอัตราต่อรอง อย่างไรก็ตาม exp อย่างชัดเจน (log (p / (1-p))) = p / (1-p) ซึ่งเป็นอัตราต่อรอง เท่าที่ฉันเข้าใจอัตราการต่อรองคืออัตราต่อรองของเหตุการณ์หนึ่งที่เกิดขึ้น (เช่น p / (1-p) สำหรับกิจกรรม A) เหนืออัตราต่อรองของเหตุการณ์อื่นที่เกิดขึ้น (เช่น p / (1-p) สำหรับเหตุการณ์ …

3
การคำนวณค่า p ในกำลังสองน้อยที่สุด (ไม่เป็นลบ) ข้อ จำกัด
ฉันใช้ Matlab เพื่อดำเนินการแบบไม่ จำกัด สแควร์น้อย (กำลังสองน้อยที่สุดธรรมดา) และมันจะส่งออกสัมประสิทธิ์, สถิติการทดสอบและค่า p โดยอัตโนมัติ คำถามของฉันคือเมื่อทำการ จำกัด กำลังสองน้อยสุด (สัมประสิทธิ์ nonnegative อย่างเคร่งครัด), มันจะออกเฉพาะค่าสัมประสิทธิ์, ไม่มีสถิติทดสอบ, ค่า p เป็นไปได้หรือไม่ที่จะคำนวณค่าเหล่านี้เพื่อให้แน่ใจว่ามีความสำคัญ? และทำไมถึงไม่สามารถใช้งานได้โดยตรงบนซอฟต์แวร์ (หรือซอฟต์แวร์อื่น ๆ สำหรับเรื่องนั้น)

1
อะไรคือความแตกต่างระหว่าง VAE และ Stochastic Backpropagation สำหรับ Deep Generative Model?
อะไรคือความแตกต่างระหว่างการเข้ารหัสอัตโนมัติ Bay Variation BayesและStochastic Backpropagation สำหรับ Deep Generative Model ? การอนุมานในทั้งสองวิธีนำไปสู่ผลลัพธ์เดียวกันหรือไม่ ฉันไม่ได้ตระหนักถึงการเปรียบเทียบที่ชัดเจนระหว่างทั้งสองวิธีแม้จะมีผู้เขียนทั้งสองกลุ่มอ้างอิงซึ่งกันและกัน

1
ปัญหาการตกปลา
สมมติว่าคุณต้องการตกปลาที่ทะเลสาบใกล้เคียงตั้งแต่ 8.00 น. - 20.00 น. เนื่องจากการประมงมากเกินไปจึงมีกฎหมายเข้ามากล่าวว่าคุณสามารถจับปลาได้วันละหนึ่งตัวเท่านั้น เมื่อคุณจับปลาคุณสามารถเลือกที่จะเก็บมันไว้ (และกลับบ้านไปกับปลาตัวนั้น) หรือโยนมันกลับเข้าไปในทะเลสาบและทำการตกปลาต่อไป (แต่เสี่ยงต่อการตกปลาในภายหลังด้วยปลาตัวเล็ก ๆ หรือไม่มีปลาเลย) คุณต้องการที่จะจับปลาตัวใหญ่เท่าที่จะทำได้ โดยเฉพาะคุณต้องการเพิ่มจำนวนปลาที่คาดว่าจะนำกลับบ้านให้ได้มากที่สุด อย่างเป็นทางการเราอาจตั้งค่าปัญหานี้ดังนี้: ปลาถูกจับในอัตราที่แน่นอน (ดังนั้นเวลาที่ใช้ในการจับปลาต่อไปของคุณจะเป็นไปตามการแจกแจงแบบเอ็กซ์โปเนนเชียลที่รู้จัก) และขนาดของปลาที่จับได้ . เราต้องการกระบวนการตัดสินใจที่กำหนดเวลาปัจจุบันและขนาดของปลาที่คุณเพิ่งจับตัดสินใจว่าจะเก็บปลาหรือทิ้งมัน ดังนั้นคำถามคือการตัดสินใจนี้ควรทำอย่างไร? มีวิธีที่เรียบง่าย (หรือซับซ้อน) ในการตัดสินใจว่าจะหยุดตกปลาเมื่อไหร่? ฉันคิดว่าปัญหานั้นเทียบเท่ากับการพิจารณาในช่วงเวลาที่กำหนด t สิ่งที่คาดว่าจะได้จากการหาปลาที่ดีที่สุดจะกลับบ้านถ้าพวกเขาเริ่มในเวลา t; กระบวนการตัดสินใจที่ดีที่สุดจะทำให้ปลาได้หากว่าหากว่าปลานั้นหนักกว่าที่คาดไว้ แต่ดูเหมือนว่าการอ้างอิงตนเอง; เรากำหนดกลยุทธ์การตกปลาที่ดีที่สุดในแง่ของการตกปลาที่ดีที่สุดและฉันไม่แน่ใจว่าจะดำเนินการต่อไปได้อย่างไร

2
ความน่าจะเป็นที่ให้คือคืออะไร?
สมมติว่าXXXและYYYเป็น bivariate ปกติโดยมีค่าเฉลี่ยμ=(μ1,μ2)μ=(μ1,μ2)\mu=(\mu_1,\mu_2)และความแปรปรวนร่วม Σ=[σ11σ12σ12σ22]Σ=[σ11σ12σ12σ22]\Sigma = \begin{bmatrix} \sigma_{11} & \sigma_{12} \\ \sigma_{12} & \sigma_{22} \\ \end{bmatrix}{bmatrix} ความน่าจะเป็นคืออะไรPr(X&lt;Y|min(X,Y))Pr(X&lt;Y|min(X,Y))\Pr\left(X<Y|\min\left(X,Y\right)\right) ?

2
การแปลงเชิงเส้นของเวกเตอร์เกาส์ปกติ
ฉันกำลังเผชิญความยากลำบากในการพิสูจน์ข้อความต่อไปนี้ มันมีอยู่ในรายงานการวิจัยที่พบใน Google ฉันต้องการความช่วยเหลือในการพิสูจน์ข้อความนี้! ให้โดยที่คือเมทริกซ์มุมฉากและคือเกาส์น พฤติกรรมไอโซโทปของ Gaussianซึ่งมีการกระจายตัวที่เหมือนกันในทุกพื้นฐานX= A SX=ASX= ASAAASSSSSS Gaussian เป็นอย่างไรหลังจากใช้กับ ?XXXAAASSS

1
เกี่ยวกับการมีอยู่ของ UMVUE และทางเลือกของตัวประมาณของในประชากร
Letเป็นตัวอย่างที่สุ่มมาจากประชากรที่R(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n)N(θ,θ2)N(θ,θ2)\mathcal N(\theta,\theta^2)θ∈Rθ∈R\theta\in\mathbb R ฉันกำลังมองหา UMVUE ของ\θθ\theta ข้อต่อความหนาแน่นของคือ(X1,X2,⋯,Xn)(X1,X2,⋯,Xn)(X_1,X_2,\cdots,X_n) fθ(x1,x2,⋯,xn)=∏i=1n1θ2π−−√exp[−12θ2(xi−θ)2]=1(θ2π−−√)nexp[−12θ2∑i=1n(xi−θ)2]=1(θ2π−−√)nexp[1θ∑i=1nxi−12θ2∑i=1nx2i−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈Rfθ(x1,x2,⋯,xn)=∏i=1n1θ2πexp⁡[−12θ2(xi−θ)2]=1(θ2π)nexp⁡[−12θ2∑i=1n(xi−θ)2]=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]=g(θ,T(x))h(x)∀(x1,⋯,xn)∈Rn,∀θ∈R\begin{align} f_{\theta}(x_1,x_2,\cdots,x_n)&=\prod_{i=1}^n\frac{1}{\theta\sqrt{2\pi}}\exp\left[-\frac{1}{2\theta^2}(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[-\frac{1}{2\theta^2}\sum_{i=1}^n(x_i-\theta)^2\right] \\&=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right] \\&=g(\theta,T(\mathbf x))h(\mathbf x)\qquad\forall\,(x_1,\cdots,x_n)\in\mathbb R^n\,,\forall\,\theta\in\mathbb R \end{align} ที่และ 1g(θ,T(x))=1(θ2π√)nexp[1θ∑ni=1xi−12θ2∑ni=1x2i−n2]g(θ,T(x))=1(θ2π)nexp⁡[1θ∑i=1nxi−12θ2∑i=1nxi2−n2]g(\theta, T(\mathbf x))=\frac{1}{(\theta\sqrt{2\pi})^n}\exp\left[\frac{1}{\theta}\sum_{i=1}^n x_i-\frac{1}{2\theta^2}\sum_{i=1}^nx_i^2-\frac{n}{2}\right]h(x)=1h(x)=1h(\mathbf x)=1 ที่นี่ขึ้นอยู่กับและถึงและเป็นอิสระจาก\ดังนั้นโดยทฤษฎีบทตัวประกอบฟิชเชอร์ - เนย์แมนสถิติสองมิติก็เพียงพอแล้วสำหรับ\gggθθ\thetax1,⋯,xnx1,⋯,xnx_1,\cdots,x_nT(x)=(∑ni=1xi,∑ni=1x2i)T(x)=(∑i=1nxi,∑i=1nxi2)T(\mathbf x)=\left(\sum_{i=1}^nx_i,\sum_{i=1}^nx_i^2\right)hhhθθ\thetaT(X)=(∑ni=1Xi,∑ni=1X2i)T(X)=(∑i=1nXi,∑i=1nXi2)T(\mathbf X)=\left(\sum_{i=1}^nX_i,\sum_{i=1}^nX_i^2\right)θθ\theta อย่างไรก็ตามไม่ได้เป็นสถิติที่สมบูรณ์ นี่เป็นเพราะTTTEθ⎡⎣2(∑i=1nXi)2−(n+1)∑i=1nX2i⎤⎦=2n(1+n)θ2−(n+1)2nθ2=0∀θEθ[2(∑i=1nXi)2−(n+1)∑i=1nXi2]=2n(1+n)θ2−(n+1)2nθ2=0∀θE_{\theta}\left[2\left(\sum_{i=1}^n X_i\right)^2-(n+1)\sum_{i=1}^nX_i^2\right]=2n(1+n)\theta^2-(n+1)2n\theta^2=0\qquad\forall\,\theta และฟังก์ชั่นไม่ใช่ศูนย์เหมือนกันg∗(T(X))=2(∑ni=1Xi)2−(n+1)∑ni=1X2ig∗(T(X))=2(∑i=1nXi)2−(n+1)∑i=1nXi2g^*(T(\mathbf X))=2\left(\sum_{i=1}^n X_i\right)^2-(n+1)\sum_{i=1}^nX_i^2 แต่ฉันรู้ว่าเป็นสถิติที่น้อยที่สุดTTT ฉันไม่แน่ใจ แต่ฉันคิดว่าสถิติที่สมบูรณ์อาจไม่มีอยู่สำหรับตระกูลเลขชี้กำลังแบบโค้งนี้ แล้วฉันจะรับ UMVUE ได้อย่างไร? หากสถิติที่สมบูรณ์ไม่มีอยู่ตัวประมาณที่ไม่มีอคติ (เช่นในกรณีนี้) ซึ่งเป็นฟังก์ชันของสถิติที่เพียงพอเพียงเล็กน้อยคือ UMVUE หรือไม่ (หัวข้อที่เกี่ยวข้อง: เงื่อนไขที่จำเป็นสำหรับตัวประมาณที่ไม่มีอคติให้เป็น UMVUE คืออะไร …

2
อะไรคือ“ ให้ข้อมูลพูดเพื่อตัวเอง”
ในการอ่านกระดาษต่อไปนี้ฉันเจอคำสั่งต่อไปนี้: ดังที่กล่าวมามักจะถูกนำเสนอโดยไม่มีการอ้างอิงถึงโมเดลความน่าจะเป็นซึ่งสอดคล้องกับแนวคิดของ Benzecri [1973] ในการ "ให้ข้อมูลพูดด้วยตนเอง" (การอ้างอิงมาจาก JP Benzécriber. L'analyse des données. Tome II: การติดต่อ L'analyse des. Dunod, 1973. ) จากวิธีการที่ฉันกำลังอ่านบทความนี้ดูเหมือน "ให้ข้อมูลที่พูดให้ตัวเอง" หมายถึงสิ่งที่ตามสายในการพิจารณามาตรการต่างๆทั่วข้อมูลโดยไม่คำนึงถึงฟังก์ชั่นความน่าจะเป็นหรือก่อให้เกิดการประมวลผลข้อมูล ในขณะที่ฉันได้ยินคำพูด "ให้ข้อมูลพูดเพื่อตัวเอง" ก่อนหน้านี้ฉันไม่ได้ให้ความคิดอย่างหนักกับสิ่งที่บอกเป็นนัย การตีความข้างต้นของฉันมีความหมายตามที่บัญญัติไว้ในที่นี้หรือไม่
10 eda  quotation 

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