คำถามติดแท็ก risk

คำแถลง One (S1): "การเสียชีวิตหนึ่งใน 80 เกิดจากอุบัติเหตุทางรถยนต์" คำแถลงสอง (S2): "หนึ่งใน 80 คนเสียชีวิตเนื่องจากอุบัติเหตุรถยนต์" ตอนนี้ฉันเองไม่เห็นความแตกต่างอย่างมากเลยระหว่างแถลงการณ์ทั้งสองนี้ เมื่อเขียนฉันจะพิจารณาพวกมันแทนกันได้กับผู้ชมทั่วไป อย่างไรก็ตามตอนนี้ฉันถูกท้าทายโดยสองคนนี้และกำลังมองหามุมมองเพิ่มเติม การตีความค่าเริ่มต้นของ S2 คือ "จาก 80 คนที่สุ่มอย่างสม่ำเสมอจากประชากรมนุษย์เราคาดหวังว่าหนึ่งในนั้นจะตายเนื่องจากอุบัติเหตุทางรถยนต์" - และฉันถือว่าข้อความรับรองนี้เทียบเท่ากับ S1 คำถามของฉันมีดังนี้: Q1) การตีความค่าเริ่มต้นของฉันเทียบเท่ากับแถลงการณ์หนึ่งจริงหรือไม่ Q2) การตีความเริ่มต้นของฉันผิดปกติหรือไม่ประมาทหรือไม่ Q3) หากคุณคิดว่า S1 และ S2 แตกต่างกันดังนั้นหากกล่าวถึงวินาทีที่หนึ่งหมายถึงสิ่งที่ทำให้เข้าใจผิด / ไม่ถูกต้องคุณสามารถแก้ไข S2 ที่มีคุณสมบัติครบถ้วนซึ่งเทียบเท่าได้หรือไม่ ลองแยกการเล่นแร่แปรธาตุที่เห็นได้ชัดที่ S1 ไม่ได้อ้างถึงการตายของมนุษย์โดยเฉพาะและสมมติว่าเข้าใจในบริบท ให้เราอภิปรายกันถึงความเป็นจริงของข้อเรียกร้องด้วย: มันมีไว้เพื่อเป็นตัวอย่าง อย่างที่ฉันสามารถบอกได้ความขัดแย้งที่ฉันได้ยินมาดูเหมือนจะมุ่งเน้นไปที่การผิดนัดการตีความที่แตกต่างกันของคำสั่งที่หนึ่งและที่สอง สำหรับครั้งแรกผู้ท้าทายของฉันดูเหมือนจะตีความว่าเป็น 1/80 * num_deaths = จำนวนการเสียชีวิตที่เกิดจากอุบัติเหตุทางรถยนต์ …

56 interpretation  risk 

ฉันจะอธิบายปัญหาด้วยตัวอย่าง สมมติว่าคุณต้องการที่จะทำนายรายได้ของแต่ละบุคคลที่มีคุณลักษณะบางอย่าง: {อายุ, เพศ, ประเทศ, ภูมิภาค, เมือง} คุณมีชุดข้อมูลการฝึกอบรมเช่นนั้น train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 …

29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

ให้แสดงถึงความเสี่ยงของ Bayes ของตัวประมาณด้วยความเคารพก่อนหน้านี้ , ให้แสดงถึงชุดของนักบวชทั้งหมดในพื้นที่พารามิเตอร์และให้แสดงถึงชุดของ กฎการตัดสินใจทั้งหมด (อาจจะสุ่ม)r(π,δ)r(π,δ)r(\pi, \delta)δδ\deltaππ\piΠΠ\PiΘΘ\ThetaΔΔ\Delta การตีความทางสถิติของความไม่เท่าเทียมกันของ minimax ของ John von Neumann ระบุไว้ว่า supπ∈Πinfδ∈Δr(π,δ)≤infδ∈Δsupπ∈Πr(π,δ),supπ∈Πinfδ∈Δr(π,δ)≤infδ∈Δsupπ∈Πr(π,δ), \sup_{\pi\in\Pi} \inf_{\delta\in\Delta} r(\pi, \delta) \leq \inf_{\delta\in\Delta}\sup_{\pi\in\Pi} r(\pi, \delta), รับประกันความเสมอภาคอย่างเข้มงวดสำหรับδ′δ′\delta'และπ′π′\pi'เมื่อΘΘ\ThetaและΔΔ\Deltaทั้งสองมี จำกัด บางคนสามารถให้ตัวอย่างที่เป็นรูปธรรมที่ความไม่เท่าเทียมนั้นเข้มงวดได้หรือไม่?

12 bayesian  decision-theory  risk 

ตกลง - ข้อความต้นฉบับของฉันไม่สามารถตอบสนองได้ ขอผมใส่คำถามที่ต่างออกไป ฉันจะเริ่มต้นด้วยการอธิบายความเข้าใจของฉันเกี่ยวกับการประเมินจากมุมมองทางทฤษฎีการตัดสินใจ ฉันไม่มีการฝึกฝนอย่างเป็นทางการและจะไม่ทำให้ฉันประหลาดใจถ้าความคิดของฉันมีข้อบกพร่อง สมมติว่าเรามีบางฟังก์ชั่นการสูญเสีย(x)) การสูญเสียที่คาดหวังคือความเสี่ยง (บ่อยครั้ง):L(θ,θ^(x))L(θ,θ^(x))L(\theta,\hat\theta(x)) R(θ,θ^(x))=∫L(θ,θ^(x))L(θ,θ^(x))dx,R(θ,θ^(x))=∫L(θ,θ^(x))L(θ,θ^(x))dx,R(\theta,\hat\theta(x))=\int L(\theta,\hat\theta(x))\mathcal{L}(\theta,\hat\theta(x))dx, โดยที่คือความเป็นไปได้; และความเสี่ยงของ Bayes คือความเสี่ยงที่พบบ่อย:L(θ,θ^(x))L(θ,θ^(x))\mathcal{L}(\theta,\hat\theta(x)) r(θ,θ^(x))=∫∫R(θ,θ^(x))π(θ)dxdθ,r(θ,θ^(x))=∫∫R(θ,θ^(x))π(θ)dxdθ,r(\theta,\hat\theta(x))=\int\int R(\theta,\hat\theta(x))\pi (\theta)dxd\theta, โดยที่เป็นของเราก่อนหน้าπ(θ)π(θ)\pi (\theta) โดยทั่วไปแล้วเราพบที่ย่อและสิ่งนี้ได้ผลดี; ยิ่งกว่านั้นทฤษฎีบทของ Fubini ก็นำมาใช้และเราสามารถกลับลำดับการรวมเพื่อให้ใด ๆที่ย่อเป็นอิสระจากคนอื่นทั้งหมด วิธีนี้หลักการความน่าจะเป็นไม่ได้ถูกละเมิดและเราสามารถรู้สึกดีเกี่ยวกับการเป็นแบบเบย์เป็นต้นθ^(x)θ^(x)\hat\theta(x)rrrθ^(x)θ^(x)\hat\theta(x)rrr ตัวอย่างเช่นเนื่องจากการสูญเสียข้อผิดพลาดกำลังสองที่คุ้นเคยความเสี่ยงของเราที่พบบ่อยคือความคลาดเคลื่อนกำลังสองเฉลี่ยหรือผลรวม ความเอนเอียงและความแปรปรวนและความเสี่ยงของเบย์คือผลรวมที่คาดหวังของความอคติกำลังสองและความแปรปรวนตามที่เราคาดไว้ก่อนหน้านั่นคือการสูญเสียด้านหลังL(θ,θ^(x))=(θ−θ^(x))2,L(θ,θ^(x))=(θ−θ^(x))2,L(\theta,\hat\theta(x))=(\theta- \hat\theta(x))^2, นี่ดูเหมือนจะสมเหตุสมผลสำหรับฉัน (แม้ว่าฉันอาจจะผิดมาก); แต่ไม่ว่าในกรณีใดสิ่งต่าง ๆ ทำให้ฉันรู้สึกไม่ถึงวัตถุประสงค์อื่น ๆ ตัวอย่างเช่นสมมติว่าแทนที่จะลดผลรวมของอคติและความแปรปรวนที่ถ่วงน้ำหนักเท่า ๆ กันฉันต้องการลดผลรวมน้ำหนักที่ไม่เท่ากันนั่นคือฉันต้องการที่ย่อเล็กสุด:θ^(x)θ^(x)\hat\theta(x) (E[θ^(x)]−θ)2+kE[(θ^(x)−E[θ^(x)])2],(E[θ^(x)]−θ)2+kE[(θ^(x)−E[θ^(x)])2],(\mathbb{E}[\hat\theta(x)]-\theta)^2+k\mathbb{E}[(\hat\theta(x)-\mathbb{E}[\hat\theta(x)])^2], โดยที่คือค่าคงที่จริงที่เป็นบวก (นอกเหนือจาก 1)kkk ฉันมักจะอ้างถึงผลรวมเช่นนี้เป็น "ฟังก์ชันวัตถุประสงค์" แม้ว่ามันอาจเป็นไปได้ว่าฉันกำลังใช้คำนั้นอย่างไม่ถูกต้อง คำถามของฉันไม่เกี่ยวกับวิธีค้นหาวิธีแก้ปัญหา - การค้นหาที่ลดฟังก์ชันวัตถุประสงค์นี้ให้ทำได้เป็นตัวเลข - แต่คำถามของฉันคือสองเท่า:θ^(x)θ^(x)\hat\theta(x) …

10 bias  loss-functions  frequentist  decision-theory  risk