タグ付けされた質問 「monte-carlo」

ライブラリlanguageRは、lmerを使用して混合効果回帰モデルの適合における固定効果のMCMC有意性テストを実行するメソッド（pvals.fnc）を提供します。ただし、lmerモデルにランダムな勾配が含まれている場合、pvals.fncはエラーを返します。 そのようなモデルのMCMC仮説検定を行う方法はありますか？ もしそうなら、どのように？（回答を受け入れるには、Rで有効な例を使用する必要があります）そうでない場合、方法がない理由は概念的/計算上の理由がありますか？ この質問はこれに関連している可能性があります、そこにある内容を確実に理解できませんでした。 編集1：pvals.fnc（）はlme4モデルではまだ「何か」を行うが、ランダムな勾配モデルでは何もしないことを示す概念実証。 library(lme4) library(languageR) #the example from pvals.fnc data(primingHeid) # remove extreme outliers primingHeid = primingHeid[primingHeid$RT < 7.1,] # fit mixed-effects model primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid) mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE) #Subjects are in both …

12 r  mixed-model  statistical-significance  monte-carlo 

設定我々は（測定及び適切行儀）を有すると仮定S⊆B⊂RnS⊆B⊂RnS\subseteq B\subset\mathbb R^n、BBBコンパクトです。さらに、ルベーグ測度λ （⋅ ）についてBBB上の均一分布からサンプルを抽出でき、測度λ （B ）がわかっていると仮定します。たとえば、おそらくBはSを含むボックス[ − c 、c ] nです。λ(⋅)λ(⋅)\lambda(\cdot)λ(B)λ(B)\lambda(B)BBB[−c,c]n[−c,c]n[-c,c]^nSSS 固定のためのα∈Rα∈R\alpha\in\mathbb R、推定する簡単な公正な方法があるe−αλ(S)e−αλ(S)e^{-\alpha \lambda(S)}均一の点サンプリングによってBBB、それらが内部または外部であるか否かをチェックSSS？ なく、かなりの仕事をして何かの例として、仮定我々のサンプルkkkポイントp1,…,pk∼Uniform(B)p1,…,pk∼Uniform(B)p_1,\ldots,p_k\sim\textrm{Uniform}(B)。その後、我々は、モンテカルロ推定に使用することができλ(S)≈λ^:=#{pi∈S}kλ(B).λ(S)≈λ^:=#{pi∈S}kλ(B).\lambda(S)\approx \hat\lambda:= \frac{\#\{p_i\in S\}}{k}\lambda(B). 一方、しかし、 λはの不偏推定量であるλ（S）、私はそれがある場合だとは思わない電子-α λはの不偏推定量であるE-αλ（S）。このアルゴリズムを変更する方法はありますか？λ^λ^\hat\lambdaλ(S)λ(S)\lambda(S)e−αλ^e−αλ^e^{-\alpha\hat\lambda}e−αλ(S)e−αλ(S)e^{-\alpha\lambda(S)}

12 probability  monte-carlo  unbiased-estimator  measure-theory 

正しく打ち切られ、比例ハザードと一定のベースラインハザードのある分布に従うおもちゃの生存（イベントまでの時間）データを作成したいと思います。 次のようにデータを作成しましたが、Cox比例ハザードモデルをシミュレーションデータにフィッティングした後、真の値に近い推定ハザード比を取得できません。 私は何を間違えましたか？ Rコード： library(survival) #set parameters set.seed(1234) n = 40000 #sample size #functional relationship lambda=0.000020 #constant baseline hazard 2 per 100000 per 1 unit time b_haz <-function(t) #baseline hazard { lambda #constant hazard wrt time } x = cbind(hba1c=rnorm(n,2,.5)-2,age=rnorm(n,40,5)-40,duration=rnorm(n,10,2)-10) B = c(1.1,1.2,1.3) # hazard ratios (model coefficients) hist(x %*% …

12 survival  cox-model  monte-carlo 

精度と再現率の組み合わせにおける加重算術平均とは対照的に、調和平均を使用することの固有の値は何ですか（たとえば、Fメジャーを計算するため）。加重算術平均が調和平均の役割を果たす可能性があると考えていますか、それとも何か不足していますか？

12 machine-learning  monte-carlo  precision-recall  harmonic-mean 

地球化学計算におけるモンテカルロ法によるエラー伝播、アンダーソン（1976）の記事を読んでいますが、私にはよくわかりません。 いくつかの測定データを考慮してとプログラムプロセスそれと戻る所定値こと。記事では、このプログラムを使用して、最初にデータの平均を使用して最良の値を取得します（例：{ A 、B 、C }）。{ A ± σあ、B ± σB、C± σC}{A±σA,B±σB,C±σC}\{A\pm\sigma_A, B\pm\sigma_B, C\pm\sigma_C\}{ A 、B 、C}{A,B,C}\{A, B, C\} 著者は、その後、（手段がガウス分布で与えられ、それらの不確定性限界内の入力パラメータを変化させることにより、この最高の値に不確実性を割り当てるためにモンテカルロ法を使用してと標準偏差{ σ A、σ B、σ C }プログラムにそれらを供給する前に）。これを下の図に示します。{ A 、B 、C}{A,B,C}\{A, B, C\}{ σあ、σB、σC}{σA,σB,σC}\{\sigma_A, \sigma_B, \sigma_C\} （著作権：ScienceDirect） ここで、最終的な分布から不確実性を取得できます。ZZZ このモンテカルロ法の代わりに、ブートストラップ法を適用するとどうなりますか？このようなもの： これは、プログラムに送る前に不確実性の範囲内でデータを変化させるのではなく、それらを置き換えてサンプリングします。 この場合、これら2つの方法の違いは何ですか？それらのいずれかを適用する前に、どのような注意事項を知っておくべきですか？ 私はこの質問Bootstrap、モンテカルロを知っていますが、この場合、データには割り当てられた不確実性が含まれているため、私の疑問は完全には解決しません。

12 bootstrap  monte-carlo  error 

一変量密度からサンプリングしたいのですが、関係はわかっています。fバツfXf_X fバツ（x ）= ∫fバツ| Y（x | y）fY（y）dy。fX(x)=∫fX|Y(x|y)fY(y)dy.f_X(x) = \int f_{X\vert Y}(x\vert y)f_Y(y) dy. MCMC（積分表現に直接）の使用を避けたいので、とf Y（y ）は簡単にサンプリングできるため、次のサンプラーを使用することを考えていました。fバツ| Y（x | y）fX|Y(x|y)f_{X\vert Y}(x\vert y)fY（y）fY(y)f_Y(y) 。j = 1 、… 、Nj=1,…,Nj=1,\dots, N サンプル。yj〜FYyj∼fYy_j \sim f_Y サンプル。バツj〜Fバツ| Y（⋅ | yj）xj∼fX|Y(⋅|yj)x_j \sim f_{X\vert Y}(\cdot\vert y_j) 次に、ペア終わります。。。、（x N、y N）、および限界サンプル（x 1、… 、x N）のみを取得します。 これは正しいです？（x1、y1）、。。。、（xN、yN）(x1,y1),...,(xN,yN)(x_1,y_1),...,(x_N,y_N)（x1、… 、xN）(x1,…,xN)(x_1,\dots,x_N)

12 sampling  conditional-probability  monte-carlo  marginal 

宿題の一部として次の質問が設定されました。 データの1変量サンプルの平均で95％の信頼区間を取得するためのブートストラップのパフォーマンスを調べるシミュレーションスタディを設計および実装します。RまたはSASで実装できます。 確認したいパフォーマンスの側面は、信頼区間カバレッジ（つまり、信頼区間に真の平均が含まれる割合）とモンテカルロ変動（つまり、シミュレーション間で信頼限界の上限と下限がどれだけ変化するか）です。 誰かがこれのモンテカルロ変動の側面に取り組む方法を知っていますか？アルゴリズムなど何も考えられないようです。それはモンテカルロ統合と関係がありますか？ありがとう！

12 r  self-study  bootstrap  monte-carlo 

私は最近、強化学習について多くの研究を行っています。私は、サットン＆バルトの強化学習：これの大部分についての紹介をフォローしました。 マルコフ決定プロセスとは何か、動的プログラミング（DP）、モンテカルロ、時間差（DP）の学習を使用してそれらを解決する方法を知っています。問題私がいるが、モンテカルロはTD-過剰学習より良いオプションになるとき、私は見ていないということです。 それらの間の主な違いは、TD学習がアクション値関数を近似するためにブートストラップを使用し、モンテカルロがこれを達成するために平均を使用することです。これがより良い方法であるとき、私は本当にシナリオを考えることができません。 私の推測では、それはパフォーマンスと関係があるかもしれませんが、これを証明できるソースを見つけることができません。 私は何かが足りないのですか、それともTD学習が一般的にはより良い選択肢ですか？

12 monte-carlo  reinforcement-learning  temporal-difference 

ランダムに生成された、1千万以上の1と0を含むデータファイルがあるとします。 このファイルから、ランダムな10進整数のリストを作成します。 これは、この変換を行う計画です。 8000万桁を4つの2進数のグループに分けます。 各4桁のバイナリを10進数に変換します。 9より大きいすべての10進数値を破棄します。 これにより、0〜9のランダムな整数の文字列が生成されます。 ここに懸念があります。10から15の値に対応する4つの2進数の6つのグループを構成する24の2進数には、1が17、0が7のみ含まれます。この不均衡は、偶数と奇数の整数の分布に影響を及ぼしますか、または何らかの方法で10進数の最後の文字列のランダム性を損ないますか？ 更新：投稿された回答から、上記で列挙した方法は適切であるようです。私はその結論に同意します。ただし、バイナリ文字列からゼロの2倍を超える数を削除しても、結果が奇数の少ない方に偏らない理由はまだわかりません。説明を求めます。

11 monte-carlo  random-generation  randomness 

論文はこちらです。 ロールアウトポリシー...は、高速でインクリメンタルに計算されたローカルパターンベースの機能に基づく線形のソフトマックスポリシーです... ロールアウトポリシーとは何か、およびそれが移動を選択するポリシーネットワークとどのように関連するのかわかりません。簡単な説明はありますか？

11 machine-learning  monte-carlo  reinforcement-learning  games 

Lilleforsテストのモンテカルロ実装についてこのページを見ていました。私はこの文章を理解していません： シミュレーションからのこの計算にはランダムなエラーがあります。ただし、P値を計算するときに分子と分母に1を追加するトリックのため、ランダム性に関係なくそのまま使用できます。 分子と分母に1を追加するトリックとはどういう意味ですか？ 関連するコードは次のとおりです。 n <- length(x) nsim <- 4999 d.star <- double(nsim) for (i in 1:nsim) { x.star <- rnorm(n) d.star[i] <- fred(x.star) } hist(d.star) abline(v = d.hat, lty = 2) ## simulation-derived P-value pval <- (sum(d.star > d.hat) + 1) / (nsim + 1)

11 monte-carlo  lilliefors 

私は次の演習を解こうとしていますが、実際にこれを開始する方法についての手がかりはありません。私の本の中にそのようなコードを見つけましたが、それは完全に異なる演習であり、それらを相互に関連付ける方法がわかりません。到着のシミュレーションを開始するにはどうすればよいですか？それらを保存し、それに従ってa、b、c、dを計算する方法を知っています。しかし、実際にモンテカルロシミュレーションをどのようにシミュレートする必要があるのか​​わかりません。誰かが私を始めるのを手伝ってくれませんか？ここはあなたの質問に答える場所ではなく、代わりに解決するだけの場所だと知っています。しかし、問題は私が始める方法がわからないことです。 ITサポートヘルプデスクは、5人のアシスタントが顧客からの電話を受けるキューシステムを表しています。呼び出しは、45秒ごとに1つの呼び出しの平均レートでポアソンプロセスに従って発生します。1番目、2番目、3番目、4番目、および5番目のアシスタントのサービス時間はすべて、パラメーターがそれぞれλ1= 0.1、λ2= 0.2、λ3= 0.3、λ4= 0.4、およびλ5= 0.5 min-1の指数確率変数です（ j番目のヘルプデスクアシスタントはλk= k / 10 min-1です）。サポート対象のお客様以外に、最大10人のお客様を保留にすることができます。この容量に達すると、新しい発信者はビジー信号を受信します。モンテカルロ法を使用して、次のパフォーマンス特性を推定します。 （a）ビジー信号を受信する顧客の割合。 （b）予想される応答時間。 （c）平均待ち時間; （d）各ヘルプデスクアシスタントが担当する顧客の割合。 編集：私がこれまでに持っているものは（あまりない）です： pa = 1/45sec-1 jobs = rep(1,5); onHold = rep(1,10); jobsIndex = 0; onHoldIndex = 0; u = runif(1) for (i in 1:1000) { if(u <= pa){ # new arrival if(jobsIndex < 5) …

11 r  monte-carlo  queueing 

A. Doucetによる独創的な論文「動的ベイジアンネットワークのためのRao-Blackwellizedパーティクルフィルタリング」。al。マルコフ過程で線形部分構造を利用する順次モンテカルロフィルター（粒子フィルター）が提案されています。この線形構造を周辺化することにより、フィルターを2つの部分に分割できます。粒子フィルターを使用する非線形部分と、カルマンフィルターで処理できる1つの線形部分（非線形部分条件付け））。xLkxkLx^L_kxk=(xLk,xNk)xk=(xkL,xkN)x_k = (x^L_k, x^N_k)xNkxkNx^N_k 周辺化の部分を理解しています（説明されているフィルターが周辺化フィルターと呼ばれることもあります）。Rao-Blackwellizedパーティクルフィルター（RBPF）と呼ばれる理由は、ガウスパラメーターは基礎となる線形プロセスに対して十分な統計であり、Rao-Blackwellの定理から、これらのパラメーターに基づいて推定された推定器は少なくとも同じくらい良好に機能するということです。サンプリング推定量として。 Rao-Blackwell推定量はとして定義されます。このコンテキストでは、はモンテカルロ推定量、はRBPF、はガウスパラメータ化であると推測します。私の問題は、これが実際に紙のどこに適用されているのかわかりません。E(δ(X)|T(X))=δ1(X)E(δ(X)|T(X))=δ1(X)E(\delta(X)|T(X)) = \delta_1(X)δ(X)δ(X)\delta(X)δ1(X)δ1(X)\delta_1(X)T(X)T(X)T(X) では、なぜこれをRao-Blackwellizedパーティクルフィルターと呼び、Rao-Blackwellizationが実際にどこで発生するのでしょうか。

11 monte-carlo  particle-filter 

「モデル1」でデータを生成し、「モデル2」でフィッティングしたい。基本的なアイデアは、「モデル2」のロバスト性のプロパティを調査することです。私は、95％信頼区間（正規近似に基づく）のカバレッジレートに特に関心があります。 反復実行の数を設定するにはどうすればよいですか？ 必要な複製よりも大きいと偽のバイアスが発生する可能性があるのは本当ですか？もしそうなら、それはどうですか？

11 simulation  monte-carlo 

ランダムフォレストはの集まりである決定木ランダムに（そして時にはトレーニングデータを袋詰め）と、各ツリーを構築するためのいくつかの特徴のみを選択することで形成されます。どうやら彼らはよく学び、一般化しています。誰かが決定木空間のMCMCサンプリングを行ったか、ランダムフォレストと比較しましたか？MCMCを実行してすべてのサンプリングされたツリーを保存すると、計算コストが高くなる可能性があることはわかっていますが、計算コストではなく、このモデルの理論的な機能に興味があります。つまり、次のようなものです。 ランダムな決定木を構築します（恐らく恐ろしく実行されます） ようなものでツリーの尤度を計算するか、おそらくP p r i o r（T r e e ）を追加します期間。P（Tr e e | D a t a ）∝ P（D a t a | Tr e e ）P（Tree|Data）αP（Data|Tree）P(Tree|Data) \propto P(Data|Tree)PP R I O R（Tr e e ）Ppr私or（Tree）P_{prior}(Tree) ランダムなステップを選択してツリーを変更し、尤度基づいて選択します。P（Tr e e | D A T A ）P（Tree|Data）P(Tree|Data) Nステップごとに、現在のツリーのコピーを保存します 大きなN * …

11 mcmc  monte-carlo  random-forest  cart