Pytania otagowane jako simulation

Ogromny obszar obejmujący generowanie wyników z modeli komputerowych.

2
Dlaczego konieczne jest pobieranie próbek z rozkładu tylnego, jeśli już WIEMY rozkład tylny?
Rozumiem, że stosując podejście bayesowskie do szacowania wartości parametrów: Rozkład tylny jest kombinacją rozkładu wcześniejszego i rozkładu prawdopodobieństwa. Symulujemy to, generując próbkę z rozkładu tylnego (np. Przy użyciu algorytmu Metropolis-Hasting do generowania wartości i akceptujemy je, jeśli przekraczają pewien próg prawdopodobieństwa przynależności do rozkładu tylnego). Po wygenerowaniu tej próbki używamy …
3
Negatywno-dwumianowy GLM vs. transformacja logów dla danych zliczania: zwiększony poziom błędu typu I.
Niektórzy z was mogli przeczytać ten miły artykuł: O'Hara RB, Kotze DJ (2010) Nie log-transform danych zliczania. Metody w ekologii i ewolucji 1: 118–122. klick . W mojej dziedzinie badań (ekotoksykologia) mamy do czynienia ze słabo powielonymi eksperymentami, a GLM nie są szeroko stosowane. Zrobiłem więc podobną symulację jak O'Hara …
1
, Symulacja w okresie prognozy
Mam dane szeregów czasowych i użyłem jako modelu do dopasowania danych. jest wskaźnikiem zmienną losową, która jest albo 0 (gdy nie widzę rzadkie zdarzenie) lub 1 (gdy widzę rzadkie zjawisko). W oparciu o wcześniejsze obserwacje, które mam dla , mogę opracować model dla przy użyciu metodologii łańcucha Markowa o zmiennej …
1
symulowanie losowych próbek z danym MLE
To pytanie zwalidowane krzyżowo z pytaniem o symulację próbki uwarunkowanej ustaloną sumą przypomniało mi o problemie postawionym mi przez George'a Casellę . fa(x|θ)f(x|θ)f(x|\theta)(X1,…,Xn)(X1,…,Xn)(X_1,\ldots,X_n)θθ\thetaθ^(x1,…,xn)=argmin∑i=1nlogf(xi|θ)θ^(x1,…,xn)=arg⁡min∑i=1nlog⁡f(xi|θ)\hat{\theta}(x_1,\ldots,x_n)=\arg\min \sum_{i=1}^n \log f(x_i|\theta)θθ\theta θ (X1,...,xn)(X1,…,Xn)(X1,…,Xn)(X_1,\ldots,X_n)θ^(X1,…,Xn)θ^(X1,…,Xn)\hat{\theta}(X_1,\ldots,X_n) Weźmy na przykład rozkład , z parametrem lokalizacji , którego gęstość wynosi If jak możemy symulować uwarunkowane na ? W tym przykładzie …
2
Niezależność reszt w komputerowym eksperymencie / symulacji?
Przeprowadziłem komputerową ocenę różnych metod dopasowania konkretnego typu modelu stosowanego w naukach paleeo. Miałem duży zestaw treningowy, więc losowo (stratyfikowane losowe próbkowanie) odłożyłem zestaw testowy. I przystosowany różnych metod zestawów testowych próbek i za pomocą otrzymanego wzór I przewidzieć odpowiedź dla zestawu testowego do próbki i oblicza się na RMSEP …
1
Integracja Metropolis-Hastings - dlaczego moja strategia nie działa?
Załóżmy, że mam funkcję , którą chcę zintegrować Oczywiście przy założeniu, że osiąga zero w punktach końcowych, brak wybuchów, fajna funkcja. Jednym ze sposobów, w jakie się bawiłem, jest użycie algorytmu Metropolis-Hastings do wygenerowania listy próbek z rozkładu proporcjonalnego do , w którym brakuje stałej normalizacyjnej który , a następnie …
2
Jaki byłby przykład naprawdę prostego modelu o niewiarygodnym prawdopodobieństwie?
Przybliżone obliczenia bayesowskie to naprawdę fajna technika dopasowania w zasadzie dowolnego modelu stochastycznego, przeznaczona dla modeli, w których prawdopodobieństwo jest trudne (powiedzmy, możesz próbkować z modelu, jeśli naprawisz parametry, ale nie możesz obliczyć prawdopodobieństwa numerycznie, algorytmicznie lub analitycznie ). Wprowadzając publiczność w przybliżeniu obliczenia bayesowskie (ABC), dobrze jest użyć przykładowego …
1
Jak symulować z kopuły Gaussa?
Załóżmy, że mam dwa jednoznaczne rozkłady krańcowe, powiedzmy i , z których mogę symulować. Teraz skonstruuj ich wspólny rozkład za pomocą kopuły Gaussa , oznaczonej jako . Wszystkie parametry są znane.FFFGGGC(F,G;Σ)C(F,G;Σ)C(F,G;\Sigma) Czy istnieje metoda inna niż MCMC do symulacji z tej kopuły?
3
Czy dostępna jest ogólna metoda symulowania danych ze wzoru lub analizy?
De novo symulacja danych z eksperymentalnej ramki danych projektowych. Z naciskiem na R (choć inne rozwiązanie językowe byłoby świetne). Podczas projektowania eksperymentu lub ankiety symulowanie danych i przeprowadzanie analizy tych symulowanych danych może zapewnić świetny wgląd w zalety i wady projektu. Takie podejście może być również niezbędne do zrozumienia i …
1
Zalety Box-Mullera nad odwrotną metodą CDF do symulacji rozkładu normalnego?
Aby zasymulować rozkład normalny z zestawu zmiennych jednorodnych, istnieje kilka technik: Algorytm Boxa-Mullera , w którym jeden próbkuje dwa niezależne jednolite zmienia się na (0,1)(0,1)(0,1) i przekształca je w dwa niezależne standardowe rozkłady normalne poprzez: Z0=−2lnU1−−−−−−√cos(2πU0)Z1=−2lnU1−−−−−−√sin(2πU0)Z0=−2lnU1cos(2πU0)Z1=−2lnU1sin(2πU0) Z_0 = \sqrt{-2\text{ln}U_1}\text{cos}(2\pi U_0)\\ Z_1 = \sqrt{-2\text{ln}U_1}\text{sin}(2\pi U_0) metoda CDF , w której można …
2
Symulowanie losowań z rozkładu jednolitego przy użyciu losowań z rozkładu normalnego
Niedawno kupiłem zasób wywiadu danych, w którym jedno z pytań prawdopodobieństwa było następujące: Biorąc pod uwagę losowania z rozkładu normalnego o znanych parametrach, jak można symulować losowania z rozkładu jednolitego? Mój pierwotny proces myślowy polegał na tym, że dla dyskretnej zmiennej losowej możemy rozbić rozkład normalny na K unikalnych podsekcji, …
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.