Pertanyaan yang diberi tag «likelihood»

Pertanyaan ini dimotivasi oleh pertanyaan ini . Saya mencari dua sumber dan inilah yang saya temukan. A. van der Vaart, Statistik Asimptotik: Jarang mungkin untuk menghitung kemungkinan profil secara eksplisit, tetapi evaluasi numeriknya seringkali layak. Kemudian kemungkinan profil dapat berfungsi untuk mengurangi dimensi fungsi kemungkinan. Fungsi kemungkinan profil sering digunakan …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

Bagaimana cara estimasi parameter / Pelatihan regresi logistik bekerja? Saya akan mencoba untuk menempatkan apa yang saya dapatkan sejauh ini. Outputnya adalah y dari fungsi logistik yang berbentuk probabilitas tergantung pada nilai 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 …

12 regression  logistic  likelihood 

Saya memiliki dataset yang sangat besar dan sekitar 5% nilai acak hilang. Variabel-variabel ini berkorelasi satu sama lain. Contoh berikut dataset R hanyalah contoh mainan dengan data berkorelasi dummy. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, …

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 

Jika seseorang berkata "Metode itu menggunakan MLE estimasi titik untuk parameter yang memaksimalkan , oleh karena itu sering, dan lebih lanjut itu bukan Bayesian."P (x | θ)P(x|θ)\mathrm{P}(x|\theta) apakah kamu setuju? Pembaruan di latar belakang : Saya baru-baru ini membaca sebuah makalah yang mengaku sering. Saya tidak setuju dengan klaim mereka, …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

Kita dapat menulis teorema Bayes sebagai p ( θ | x ) = f( X| θ)p(θ)∫θf( X| θ)p(θ)dθhal(θ|x)=f(X|θ)hal(θ)∫θf(X|θ)hal(θ)dθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} di mana p ( θ | x )hal(θ|x)p(\theta|x) adalah posterior, f( X| θ)f(X|θ)f(X|\theta) adalah distribusi bersyarat, dan p ( θ )hal(θ)p(\theta) adalah yang sebelumnya. atau p ( θ | …

12 bayesian  likelihood 

Saya menggunakan filter Kalman dengan cara yang sangat standar. Sistem diwakili oleh persamaan keadaan dan persamaan observasi .xt+1=Fxt+vt+1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1}yt=Hxt+Azt+wtyt=Hxt+Azt+wty_{t}=Hx_{t}+Az_{t}+w_{t} Buku ajar mengajarkan bahwa setelah menerapkan filter Kalman dan mendapatkan "prakiraan satu langkah ke depan" (atau "perkiraan terfilter"), kita harus menggunakannya untuk menghitung fungsi kemungkinan:x^t|t−1x^t|t−1\hat{x}_{t|t-1} fyt|It−1,zt(yt|It−1,zt)=det[2π(HPt|t−1H′+R)]−12exp{−12(yt−Hx^t|t−1−Azt)′(HPt|t−1H′+R)−1(yt−Hx^t|t−1−Azt)}fyt|It−1,zt(yt|It−1,zt)=det[2π(HPt|t−1H′+R)]−12exp⁡{−12(yt−Hx^t|t−1−Azt)′(HPt|t−1H′+R)−1(yt−Hx^t|t−1−Azt)}f_{y_{t}|\mathcal{I}_{t-1},z_{t}}\left(y_{t}|\mathcal{I}_{t-1},z_{t}\right)=\det\left[2\pi\left(HP_{t|t-1}H^{\prime}+R\right)\right]^{-\frac{1}{2}}\exp\left\{ -\frac{1}{2}\left(y_{t}-H\hat{x}_{t|t-1}-Az_{t}\right)^{\prime}\left(HP_{t|t-1}H^{\prime}+R\right)^{-1}\left(y_{t}-H\hat{x}_{t|t-1}-Az_{t}\right)\right\} Pertanyaan saya adalah: Mengapa fungsi …

11 likelihood  kalman-filter 

Menurut teorema Bayes, . Tetapi menurut teks ekonometrik saya, dikatakan bahwa . Kenapa seperti ini? Saya tidak mengerti mengapa diabaikan.P(y|θ)P(θ)=P(θ|y)P(y)P(y|θ)P(θ)=P(θ|y)P(y)P(y|\theta)P(\theta) = P(\theta|y)P(y)P(θ|y)∝P(y|θ)P(θ)P(θ|y)∝P(y|θ)P(θ)P(\theta|y) \propto P(y|\theta)P(\theta)P(y)P(y)P(y)

11 bayesian  conditional-probability  likelihood 

Secara umum kami memaksimalkan suatu fungsi L(θ;x1,…,xn)=∏i=1nf(xi∣θ)L(θ;x1,…,xn)=∏i=1nf(xi∣θ) L(\theta; x_1, \ldots, x_n) = \prod_{i=1}^n f(x_i \mid \theta) di mana fff adalah fungsi kerapatan probabilitas jika distribusi yang mendasarinya adalah kontinu, dan fungsi massa probabilitas (dengan penjumlahan sebagai pengganti produk) jika distribusinya terpisah. Bagaimana kita menentukan fungsi kemungkinan jika distribusi yang mendasarinya …

11 mathematical-statistics  maximum-likelihood  likelihood  mixture 

Saya hanya mencoba untuk menghitung ulang dengan dnorm () log-kemungkinan yang disediakan oleh fungsi logLik dari model lm (dalam R). Ini berfungsi (hampir sempurna) untuk jumlah data yang tinggi (mis. N = 1000): > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 + 2*x + …

10 r  generalized-linear-model  likelihood  lm 

Ada banyak pertanyaan (seperti ini ) tentang beberapa ambiguitas dengan formula Bayes dalam kasus berkelanjutan. p ( θ | x ) =p(x|θ)⋅p(θ)p(x)p(θ|x)=p(x|θ)⋅p(θ)p(x)p(\theta | x) = \frac{p(x | \theta) \cdot p(\theta)}{p(x)} Sering kali, kebingungan timbul dari kenyataan bahwa definisi distribusi bersyarat dijelaskan sebagai menjadi fungsi diberikan tetap .f(variable|parameter)f(variable|parameter)f(variable | parameter) fffv …

10 distributions  bayesian  conditional-probability  likelihood 

Pertanyaan ini muncul di kelas: Jika kita menggunakan nilai-p untuk mengevaluasi hipotesis pada percobaan, bagian mana dari Prinsip Kemungkinan yang tidak kita patuhi: Kecukupan atau Persyaratan ? Intuisi saya akan mengatakan Kecukupan , karena menghitung nilai-p bergantung pada hasil percobaan yang tidak teramati, dan Kecukupan tampaknya lebih banyak berurusan dengan …

9 likelihood  philosophical  likelihood-principle 

Bagaimana Anda menginterpretasikan kurva survival dari model hazard proporsional cox? Dalam contoh mainan ini, anggaplah kita memiliki model hazard proporsional cox pada agevariabel dalam kidneydata, dan menghasilkan kurva survival. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Misalnya, pada waktu , pernyataan mana yang benar? atau keduanya salah?200200200 Pernyataan …

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 

Dalam filogenetik, pohon filogenetik sering dibangun menggunakan analisis MLE atau Bayesian. Seringkali, flat sebelumnya digunakan dalam estimasi Bayesian. Seperti yang saya pahami, perkiraan Bayesian adalah estimasi kemungkinan yang menggabungkan prior. Pertanyaan saya adalah, jika Anda menggunakan flat sebelumnya, apakah ada bedanya dengan hanya melakukan analisis kemungkinan?

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

Dari "Dalam Semua Kemungkinan: Pemodelan Statistik dan Inferensi Menggunakan Kemungkinan" oleh Y. Pawitan, kemungkinan parameterisasi ulang θ↦g(θ)=ψθ↦g(θ)=ψ\theta\mapsto g(\theta)=\psi didefinisikan sebagai L∗(ψ)=max{θ:g(θ)=ψ}L(θ)L∗(ψ)=max{θ:g(θ)=ψ}L(θ) L^*(\psi)=\max_{\{\theta:g(\theta)=\psi\}} L(\theta) sehingga jika ggg adalah satu- ke-satu, lalu L∗(ψ)=L(g−1(ψ))L∗(ψ)=L(g−1(ψ))L^*(\psi)=L(g^{-1}(\psi)) (hlm. 45). Saya mencoba untuk menunjukkan Latihan 2.20 yang menyatakan bahwa jika θθ\theta adalah skalar (dan saya menganggap bahwa …

9 mathematical-statistics  inference  likelihood  fisher-information 

Saya mencoba menghitung kemungkinan marginal untuk model statistik dengan metode Monte Carlo: f( x ) = ∫f( x ∣ θ ) π( θ )dθf(x)=∫f(x∣θ)π(θ)dθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta Kemungkinan berperilaku baik - halus, log-cekung - tetapi berdimensi tinggi. Saya sudah mencoba sampel penting, tetapi hasilnya tidak bagus dan sangat …

9 monte-carlo  likelihood  marginal