タグ付けされた質問 「mse」

MSEはMean Squared Errorの略です。これは、推定値または予測のパフォーマンスの測定値であり、観測値と推定値/予測値の間の差の2乗の平均に等しくなります。

3
SPSSを使用した2x3混合設計ANOVAの事後テスト?
実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group(コントロール、実験)、time(最初、2、3)、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です! 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか?どちらが正しい方法でしょうか?
8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka 

2
バイアス/分散のトレードオフ計算
私は問題をアンダーフィッティング/オーバーフィッティングの用語で理解していますが、その背後にある正確な数学を理解するのに苦労しています。私はいくつかのソースをチェックしました(ここでは、ここでは、ここでは、こことここでは、)が、正確にバイアスと分散のような互いに対向なぜ私はまだ例えば、表示されませんexexe^x そして e−xe−xe^{-x} 行う: ソース 誰もが次の方程式を導き出しているようです(既約エラーを省略して ϵϵ\epsilonここ) 次に、ポイントをホームに移動して、右側の用語が動作する理由を正確に示す代わりに、この世界の不完全さ、そして正確かつ普遍的であることが同時に不可能であることはどれほど不可能であるかについてさまよい始めます。E[(θ^n−θ)2]=E[(θ^n−E[θ^n])2]+(E[θ^n−θ])2E[(θ^n−θ)2]=E[(θ^n−E[θ^n])2]+(E[θ^n−θ])2\newcommand{\var}{{\rm Var}} E[(\hat{\theta}_n - \theta)^2]=E[(\hat{\theta}_n - E[\hat{\theta}_n])^2] + (E[\hat{\theta}_n - \theta])^2 明らかな反例 たとえば、平均が標本平均を使用して推定されている、つまりそして、場合: 以来、および、我々は: μμ\muX¯n=1n∑i=1nXiX¯n=1n∑i=1nXi\bar{X}_n = \frac{1}{n}\sum\limits_{i=1}^{n}X_iθ≡μθ≡μ\theta\equiv\muθ^n≡X¯nθ^n≡X¯n\hat{\theta}_n\equiv\bar{X}_nMSE=Var(X¯n−μ)+(E[X¯n]−μ)2MSE=Var(X¯n−μ)+(E[X¯n]−μ)2MSE = \var(\bar{X}_n - \mu) + (E[\bar{X}_n] - \mu)^2 E[X¯n]=μE[X¯n]=μE[\bar{X}_n]=\muVar(μ)=0Var(μ)=0\var(\mu) = 0MSE=Var(X¯n)=1nVar(X)−→−−n→∞0MSE=Var(X¯n)=1nVar(X)→n→∞0MSE = \var(\bar{X}_n) = \frac{1}{n}\var(X)\xrightarrow[n\to\infty]{}0 したがって、質問は次のとおりです。 なぜ正確と同時に減少させることができないのですか?E[(θ^n−E[θ^n])2]E[(θ^n−E[θ^n])2]E[(\hat{\theta}_n - E[\hat{\theta}_n])^2]E[θ^n−θ]E[θ^n−θ]E[\hat{\theta}_n - \theta] なぜ公平な推定量を取り、サンプルサイズを増やすことで分散を減らすことができないのでしょうか。

3
平均二乗誤差=分散+バイアス^ 2の場合。次に、平均二乗誤差を分散よりも低くする方法はありますか
統計学習入門を読んでいました。ここではそれが示されています:- 後の例では、トレーニングとテストのMSEがプロットされています。バイアス^ 2と分散の両方が正の量である場合、MSEを分散よりも低くする方法を知りたいと思いました。
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.