Pytania otagowane jako likelihood

To pytanie jest motywowane tym . Poszukałem dwóch źródeł i oto, co znalazłem. A. van der Vaart, Statystyki asymptotyczne: Rzadko jest możliwe jednoznaczne obliczenie prawdopodobieństwa profilu, ale jego liczbowa ocena jest często wykonalna. Wówczas prawdopodobieństwo profilu może służyć do zmniejszenia wymiaru funkcji wiarygodności. Funkcje wiarygodności profilu są często używane w …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

Możemy zapisać twierdzenie Bayesa jako p ( θ | x ) = f( X| θ)p(θ)∫θfa( X| θ)p(θ)dθp(θ|x)=fa(X|θ)p(θ)∫θfa(X|θ)p(θ)reθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} gdzie jest tylnym, jest rozkładem warunkowym, a jest wcześniejszym.f ( X | θ ) p ( θ )p ( θ | x )p(θ|x)p(\theta|x)fa( X| θ)fa(X|θ)f(X|\theta)p ( θ )p(θ)p(\theta) lub p …

13 bayesian  likelihood 

Jak naprawdę działa oszacowanie parametru / Szkolenie regresji logistycznej? Spróbuję umieścić to, co do tej pory mam. Dane wyjściowe są danymi wyjściowymi funkcji logistycznej w postaci prawdopodobieństwa zależnego od wartości x: P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) P(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1-P(y=1|x)=1-{1\over1+e^{-\omega^Tx}} Dla jednego wymiaru tak zwane szanse są zdefiniowane w następujący sposób: p(y=1|x)1−p(y=1|x)=p(y=1|x)p(y=0|x)=eω0+ω1xp(y=1|x)1−p(y=1|x)=p(y=1|x)p(y=0|x)=eω0+ω1x{{p(y=1|x)}\over{1-p(y=1|x)}}={{p(y=1|x)}\over{p(y=0|x)}}=e^{\omega_0+\omega_1x} Teraz dodajemy logfunkcję, aby uzyskać …

12 regression  logistic  likelihood 

Mam bardzo duży zestaw danych i brakuje około 5% wartości losowych. Te zmienne są ze sobą skorelowane. Poniższy przykładowy zestaw danych R jest tylko zabawkowym przykładem z fałszywymi skorelowanymi danymi. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

Gdyby ktoś powiedział „Ta metoda wykorzystuje MLE do oszacowania punktowego parametru, który maksymalizuje , dlatego jest częsty; a ponadto nie jest bayesowski.”P ( x | θ )P(x|θ)\mathrm{P}(x|\theta) zgodziłbyś się? Aktualizacja w tle : Niedawno przeczytałem artykuł, który twierdzi, że jest częsty. Nie zgadzam się z ich twierdzeniem, w najlepszym razie …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

Używam filtra Kalmana w bardzo standardowy sposób. System jest reprezentowany przez równanie stanu i równanie obserwacyjne .xt + 1= F.xt+ vt + 1xt+1=faxt+vt+1x_{t+1}=Fx_{t}+v_{t+1}yt= Hxt+ A zt+ wtyt=H.xt+ZAzt+wty_{t}=Hx_{t}+Az_{t}+w_{t} Podręczniki uczą, że po zastosowaniu filtru Kalmana i uzyskaniu „prognoz o jeden krok do przodu” (lub „filtrowanego oszacowania”), powinniśmy użyć ich do obliczenia …

11 likelihood  kalman-filter 

Zgodnie z twierdzeniem Bayesa . Ale zgodnie z moim tekstem ekonometrycznym mówi się, że P ( θ | y ) ∝ P ( y | θ ) P ( θ ) . Dlaczego tak jest? Nie rozumiem, dlaczego P ( y ) jest ignorowane.P.( y| θ)P.( θ ) = P( …

11 bayesian  conditional-probability  likelihood 

Po prostu próbuję ponownie obliczyć za pomocą dnorm () prawdopodobieństwo dziennika podane przez funkcję logLik z modelu lm (w języku R). Działa (prawie idealnie) dla dużej liczby danych (np. N = 1000): > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 + 2*x + rnorm(n, …

10 r  generalized-linear-model  likelihood  lm 

To pytanie pojawiło się w klasie: Jeśli używamy wartości p do oceny hipotez w eksperymencie, to jakiej części zasady prawdopodobieństwa nie przestrzegamy: wystarczalności czy warunkowości ? Moją intuicją byłoby powiedzieć wystarczalność , ponieważ obliczenie wartości p opiera się na nieobserwowanych wynikach eksperymentu, a wystarczająca wydaje się, że więcej zajmuje się …

9 likelihood  philosophical  likelihood-principle 

Jak interpretujesz krzywą przeżycia z proporcjonalnego modelu hazardu Coxa? W tym przykładzie zabawki załóżmy, że mamy proporcjonalny model hazardu Coxa dla agezmiennej w kidneydanych i generujemy krzywą przeżycia. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Na przykład o czasie 200200200, które stwierdzenie jest prawdziwe? czy oba są w …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

W filogenetyce drzewa filogenetyczne są często konstruowane przy użyciu analizy MLE lub analizy bayesowskiej. W szacunkach bayesowskich często stosuje się płaski przeor. Jak rozumiem, oszacowanie bayesowskie jest oszacowaniem prawdopodobieństwa, które obejmuje uprzednie. Moje pytanie brzmi: jeśli użyjesz mieszkania wcześniej, czy różni się to od zwykłej analizy prawdopodobieństwa?

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

Z „W całym prawdopodobieństwie: modelowanie statystyczne i wnioskowanie przy użyciu prawdopodobieństwa” Y. Pawitana, prawdopodobieństwo ponownej parametryzacji jest zdefiniowane jako więc jeśli g jest jeden do jednego, to L ^ * (\ psi) = L (g ^ {- 1} (\ psi)) (str. 45). Próbuję pokazać ćwiczenie 2.20, które stwierdza, że ​​jeśli …

9 mathematical-statistics  inference  likelihood  fisher-information 

Próbuję obliczyć krańcowe prawdopodobieństwo modelu statystycznego metodami Monte Carlo: fa( x ) = ∫fa( x ∣ θ ) π( θ )reθfa(x)=∫fa(x∣θ)π(θ)reθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta Prawdopodobieństwo jest dobrze zachowane - gładkie, wklęsłe - ale wysokie. Próbowałem ważnego próbkowania, ale wyniki są niepewne i zależą w dużej mierze od propozycji, …

9 monte-carlo  likelihood  marginal 

Obecnie pracuję z łańcuchami Markowa i obliczyłem oszacowanie maksymalnego prawdopodobieństwa przy użyciu prawdopodobieństw przejścia, jak sugeruje kilka źródeł (tj. Liczba przejść od a do b podzielona przez liczbę całkowitych przejść od a do innych węzłów). Chcę teraz obliczyć logarytmiczne prawdopodobieństwo MLE.

9 maximum-likelihood  markov-process  likelihood