タグ付けされた質問 「estimation」

MLE =最尤推定 MAP =事後最大 MLEは直感的で素朴です。つまり、パラメーター（つまり、尤度関数）が指定された観測の確率でのみ始まり、観測と最もよく一致するパラメーターを見つけようとします。ただし、事前の知識は考慮されていません。 MAPはベイズの法則による事前の知識を考慮に入れるため、より合理的です。 ここに関連する質問がありますが、答えは完全ではありません。 /signals/13174/differences-using-maximum-likelihood-or-maximum-a-posteriori-for-deconvolution-d したがって、MAPの方がはるかに優れていると思います。そうですか？そして、いつどちらを使用すればよいですか？

13 machine-learning  bayesian  estimation  maximum-likelihood  inference 

本当にこれに困惑しました。推定者Bが一貫していて偏っている例または状況が本当に欲しいです。

13 mathematical-statistics  estimation  econometrics 

収縮という言葉は、特定のサークルの多くで使用されています。しかし、収縮とは何か、明確な定義はないようです。時系列（またはいくつかのプロセスの観測のコレクション）がある場合、その系列のある種の経験的な収縮を測定するためのさまざまな方法は何ですか？私が話し合うことができる理論的な収縮にはどのような種類がありますか？収縮は予測にどのように役立ちますか？人々はいくつかの良い洞察や参照を提供できますか？

13 estimation  predictive-models  shrinkage 

私はちょうど一次元の密度推定値を作成するきちんとした（必ずしも良いとは限りません）方法を考えました、私の質問は： この密度推定方法には名前がありますか？そうでない場合、それは文献の他の方法の特殊なケースですか？ ここでの方法である：我々は、ベクターが有するX=[x1,x2,...,xn]X=[x1,x2,...,xn]X = [x_1,x_2,...,x_n]は、推定したい未知の分布から引き出されたと仮定します。これを行う方法は、すべての可能な値のペアを取得し、各ペアに対してを最尤法を使用して正規分布に適合させることです。結果の密度推定値は、結果のすべての法線で構成される混合分布になり、各法線には同じ重みが与えられます。XXX[xi,xj]i≠j[xi,xj]i≠j[x_i,x_j]_{i \neq j} 次の図は、ベクトルこのメソッドを使用する方法を示しています。ここで、円はデータポイント、色付きの法線は可能な各ペアを使用して推定された最尤分布、太い黒線は結果の密度推定（混合分布）を示しています。[−1.3,0.15,0.73,1.4][−1.3,0.15,0.73,1.4][-1.3,0.15,0.73,1.4] ところで、結果の混合分布からサンプルを引き出すRのメソッドを実装するのは本当に簡単です。 # Generating some "data" x <- rnorm(30) # Drawing from the density estimate using the method described above. density_estimate_sample <- replicate(9999, { pair <- sample(x, size = 2) rnorm(1, mean(pair), sd(pair)) }) # Plotting the density estimate compared with # the …

12 r  estimation  nonparametric  pdf  kernel-smoothing 

米国のワイン販売に関する大量の市場データがあり、特定の高品質ワインの需要を推定したいと思います。これらの市場シェアは、基本的形態のランダム効用モデルから導出された Xが観察含まを製品特性、pは製品価格、ξUijt=X′jtβ−αpjt+ξjt+ϵijt≡δjt+ϵjtUijt=Xjt′β−αpjt+ξjt+ϵijt≡δjt+ϵjtU_{ijt} = X’_{jt}\beta - \alpha p_{jt} + \xi_{jt} + \epsilon_{ijt} \equiv \delta_{jt} + \epsilon_{jt}XXXpppξξ\xiは需要に影響を与え、価格と相関する観測されていない製品特性であり、は誤差項、iは個人、jは製品、tは市場（この場合は都市）にインデックスを付けます。ϵϵ\epsiloniiijjjttt 観測されていない品質項ために、通常の条件付きロジットモデルを使用することはできません。また、適切な機器がありません。しかし、Berry（1994）は、多項ロジットフレームワークで市場方程式の非線形システムを線形化する戦略を開発しましたが、彼がどのように反転ステップを行うのかわかりません。ξξ\xi 真のパラメータ値で彼は、推定市場シェアは、「真」の市場シェアに等しくなければならないことを言うの J T（X 、β 、α 、ξ ）= Sのjはトン彼はその後、市場シェアを反転させることを示唆しているためなどから S J T = S J T（δ 、α 、β ） に δ = S - 1（S 、α 、β ）sˆjt(X,β,α,ξ)=Sjts^jt(X,β,α,ξ)=Sjt\widehat{s}_{jt} (X, \beta , \alpha , \xi) = …

12 logistic  estimation  multiple-regression  categorical-data 

MLE（最大尤度推定）と、EM（期待最大化）とのリンク（ある場合）について明確にしたいいくつかの簡単な概念的な質問があります。 私が理解しているように、誰かが「私たちはMLEを使用しました」と言ったら、それは自動的にデータのPDFの明示的なモデルを持っていることを意味しますか？これに対する答えはイエスであるように思えます。別の言い方をすれば、誰かがいつでも「MLE」と言ったら、どんなPDFを想定しているのかを尋ねるのは公平です。これは正しいでしょうか？ 最後に、EMでの私の理解は、EMでは、データの基礎となるPDFを実際に知らない、または知る必要がないということです。これは私の理解です。 ありがとうございました。

12 estimation  maximum-likelihood  expectation-maximization 

完全な十分な統計を理解するのに苦労していますか？ レッツ十分統計量とします。T=ΣxiT=ΣxiT=\Sigma x_i 場合確率が1で、いくつかの機能のためにG、それは完全に十分統計量です。E[g(T)]=0E[g(T)]=0E[g(T)]=0ggg しかし、これはどういう意味ですか？ユニフォームとベルヌーイ（6ページhttp://amath.colorado.edu/courses/4520/2011fall/HandOuts/umvue.pdf）の例を見てきましたが、直観的ではなく、統合を見るともっと混乱しました。 誰かがシンプルで直感的な方法で説明できますか？

12 self-study  estimation  intuition  decision-theory 

私は最近、経験的ベイズについて偶然読んで（Casella、1985、経験的ベイズデータ分析の紹介）、ランダム効果モデルによく似ていました。両方ともグローバル平均に縮小した推定値を持っているという点で。しかし、私はそれを完全に読んでいません... 誰もがそれらの類似点と相違点について何か洞察を持っていますか？

12 bayesian  estimation  random-effects-model  steins-phenomenon  empirical-bayes 

二項分布からのデータの推定量をどのように定義しますか？ベルヌーイの場合、パラメーターpを推定する推定器を考えることができますが、二項分布の場合、分布を特徴付けるnがあるときに推定するパラメーターがわかりませんか？ 更新： 推定量とは、観測されたデータの関数を意味します。推定器を使用して、データを生成する分布のパラメーターを推定します。

12 estimation  binomial 

パラメータの推定には、かなりの数の方法があります。MLE、UMVUE、MoM、意思決定理論、その他はすべて、パラメーター推定に役立つ理由についてかなり論理的なケースがあるように見えます。ある方法は他の方法よりも優れていますか、それとも単に「最適な」推定量を定義する方法の問題ですか（直交誤差を最小化すると通常の最小二乗アプローチから異なる推定値が生成されるのと同様）？

12 estimation  mathematical-statistics  maximum-likelihood  method-of-moments  umvue 

私の質問は単純です：共同推定とは何ですか？そして、それは回帰分析の文脈ではどういう意味ですか？それはどのように行われますか？私はかなりの時間インターネットをさまよいましたが、これらの質問に対する答えは見つかりませんでした。

12 regression  estimation  terminology 

正の整数値のグリッドが与えられます。これらの数値は、そのグリッド位置を占める人の信念の強さに対応する強度を表します（値が高いほど、信念が高いことを示します）。人は一般に、複数のグリッドセルに影響を与えます。n × nn×nn\times n 強度のパターンは「ガウスに見える」はずで、高強度の中心位置があり、強度はすべての方向に放射状に次第に細くなると思います。具体的には、分散のパラメーターとスケールファクターのパラメーターを持つ「スケーリングされたガウス」からの値としてモデル化したいと思います。 2つの複雑な要因があります。 バックグラウンドノイズやその他の影響により、人がいない場合はゼロの値に対応しませんが、値は小さくする必要があります。ただし、これらは不安定になる可能性があり、最初の近似では、単純なガウスノイズとしてモデル化することが困難な場合があります。 強度の範囲は異なる場合があります。1つの例では、値の範囲は1〜10で、別の例では1〜100です。 適切なパラメータ推定戦略、または関連文献へのポインタを探しています。なぜ私がこの問題にまったく間違った方法で取り組んでいるのかについてのポインタも評価されます:)。私はクリギングとガウス過程について読んでいますが、それは私の問題にとって非常に重い機械のようです。

12 estimation  normal-distribution  spatial 

与えられた数のパラメーターを使用してモデルを推定するために、サンプルの大きさを判断するための経験則、または何らかの方法さえありますか？ したがって、たとえば、5つのパラメーターを使用して最小二乗回帰を推定する場合、サンプルはどのくらいの大きさである必要がありますか？ 使用している推定手法（たとえば、最尤法、最小二乗法、GMM）、または実行するテストの数または数は重要ですか？決定を行う際にサンプルの変動性を考慮に入れる必要がありますか？

12 sample-size  estimation  least-squares  maximum-likelihood 

休業。この質問には詳細または明確さが必要です。現在、回答を受け付けていません。 この質問を改善してみませんか？詳細を追加し、この投稿を編集して問題を明確にしてください。 2年前休業。 私は宿題に取り組んでいます。教授は、本当の回帰モデルを作成し、データのサンプルをシミュレートし、クラスで学んだいくつかの手法を使用して本当の回帰モデルを見つけようとしています。同様に、彼から提供されたデータセットでも同じことを行う必要があります。 彼は、彼をだまそうとする過去のすべての試みのためにかなり正確なモデルを生み出すことができたと言います。いくつかの非常識なモデルを作成する学生もいましたが、彼は間違いなく、十分なだけの単純なモデルを作成することができました。 彼が見つけるためのトリッキーなモデルを開発するにはどうすればよいですか？4つの2次項、3つの観測、および大規模な分散を行うことで、超安価になりたくないですか？その下にタフな小さなモデルがある一見無害なデータセットを作成するにはどうすればよいですか？ 彼は単に従うべき3つのルールを持っています： データセットには、1つの「Y」変数と、「Y」、「X1」、...、「X20」というラベルが付いた20個の「X」変数が必要です。 あなたの応答変数：満たしていることを線形回帰モデルから来なければならないY " I = β 0 + β 1 X " I 1 + ... + β のp - 1 X " I 、P - 1 + ε I ε I〜N （0 、σ 2）及びP ≤ 21。YYY Y』私= β0+ β1バツ』私1+ … + βp …

11 self-study  multiple-regression  estimation  linear-model 

正規分布変数測定を行っている実験があります。YYY Y∼N(μ,σ)Y∼N(μ,σ)Y \sim N(\mu,\sigma) しかし、以前の実験は、標準偏差といういくつかの証拠が提供された独立変数のアフィン関数であるXを、すなわち、σσ\sigmaXXX σ=a|X|+bσ=a|X|+b\sigma = a|X| + b Y∼N(μ,a|X|+b)Y∼N(μ,a|X|+b)Y \sim N(\mu,a|X| + b) Xの複数の値でYをサンプリングすることにより、パラメーターおよびbを推定したいと思います。さらに、実験の制限により、Yの限られた数（約30〜40）のサンプルしか取得できず、無関係な実験上の理由から、Xのいくつかの値でサンプリングすることを好みます。これらの制約がある場合、aとbを推定するためにどのような方法が利用できますか？aaabbbYYYXXXYYYXXXaaabbb 実験の説明 これは、上記の質問をする理由に興味がある場合の追加情報です。私の実験では、聴覚と視覚の空間知覚を測定します。さまざまな場所からの聴覚的または視覚的なターゲットを提示できる実験設定があり、被験者はターゲットの知覚された場所Yを示します。上記のσとしてモデル化した離心率の増加（つまり| X |の増加）により、ビジョン*とオーディションの両方の精度が低下します。結局、aとbを見積もりたいXXXYYY|X||X||X|σσ\sigmaaaabbbビジョンとオーディションの両方のために、私は空間内のさまざまな場所にわたる各感覚の精度を知っています。これらの推定値は、同時に提示される場合に視覚的および聴覚的ターゲットの相対的な重み付けを予測するために使用されます（ここで提示される多感覚統合の理論と同様：http : //www.ncbi.nlm.nih.gov/pubmed/12868643）。 *中心窩空間と中心窩外空間を比較すると、このモデルは視覚に対して不正確であることがわかっていますが、私の測定値は中心窩空間にのみ制限されています。これはまともな近似です。

11 normal-distribution  estimation  experiment-design  model  heteroscedasticity