Pertanyaan yang diberi tag «likelihood»

Saat ini saya bekerja dengan rantai Markov dan menghitung Perkiraan Kemungkinan Maksimum menggunakan probabilitas transisi seperti yang disarankan oleh beberapa sumber (yaitu, jumlah transisi dari a ke b dibagi dengan jumlah transisi keseluruhan dari a ke node lain). Sekarang saya ingin menghitung kemungkinan log dari MLE.

9 maximum-likelihood  markov-process  likelihood 

Saya memiliki pertanyaan yang pada dasarnya mendasar untuk ditanyakan di sini yang telah mengganggu saya untuk sementara waktu. Melalui sebagian besar bacaan saya tentang statistik bayesian, dinyatakan tanpa basa-basi bahwa kemungkinan marjinal sering sulit dipecahkan atau sulit diperkirakan. Mengapa? Alasan yang sering dinyatakan mencakup pernyataan tentang sifat dimensi tinggi dari …

9 bayesian  inference  likelihood 

Saya berjuang dengan menerapkan penduga kemungkinan maksimum untuk proses Hawkes multivarian (HP). Secara khusus, sementara ekspresi analitik untuk fungsi log-likelihood dari HP univariat dapat ditemukan dengan mudah secara online (mis. Ozaki, 1979), tampaknya ada versi yang berbeda (tidak konsisten atau setara?) Dari fungsi log-likelihood dari HP multivarian. di luar sana. …

9 maximum-likelihood  stochastic-processes  likelihood 

Dalam konteks inferensi berbasis kemungkinan, saya telah melihat beberapa notasi mengenai parameter yang menarik yang saya temukan sedikit membingungkan. Misalnya, notasi seperti dan .pθ(x)pθ(x)p_{\theta}(x)Eθ[S(θ)]Eθ[S(θ)]{\mathbb E}_{\theta}\left[S(\theta)\right] Apa signifikansi parameter ( ) dalam notasi subskrip di atas? Dengan kata lain, bagaimana seharusnya dibaca?θθ\theta Asumsi pertama saya adalah bahwa itu berarti "dengan parameter …

9 expected-value  pdf  likelihood  notation 

Saya memiliki kemungkinan yang cukup datar untuk mengarahkan sampler Metropolis-Hastings untuk bergerak melalui ruang parameter dengan sangat tidak teratur, yaitu tidak ada konvergensi yang dapat dicapai, apa pun parameter distribusi proposal (dalam kasus saya ini adalah gaussian). Tidak ada kompleksitas tinggi dalam model saya - hanya 2 parameter, tetapi tampaknya …

9 mcmc  likelihood  posterior 

Aku punya model yang berjalan: Single parameter -> Complex likelihood function -> Log-likelihood. Saya mengeksekusi rantai MCMC (menggunakan pymc) dan merencanakan jejak parameter dan log-likelihood. Estimasi parameter akhirnya masuk akal, tetapi plot log-likelihood tampak aneh bagi saya. Kemungkinan log tidak pernah melampaui nilai tertentu. Saya kira ini masuk akal, jika …

8 mcmc  likelihood 

Saya tertarik untuk memahami perbedaan antara "kemungkinan" dari suatu peristiwa acak dengan probabilitas tertentu yang benar-benar terjadi dengan probabilitas tepat yang dikatakan kemungkinan. yaitu jika suatu peristiwa memiliki probabilitas 1 banding 10.000, apa kemungkinannya dalam 10.000 uji coba itu akan terjadi tepat 1 kali, bukan 2 kali, bukan 0 kali, …

8 probability  likelihood 

Saya mengalami kesulitan dengan Kemungkinan . Saya mengerti Teorema Bayes p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B, \mathcal{H}) = \frac{p(B|A, \mathcal{H}) p(A|\mathcal{H})}{p(B|\mathcal{H})} yang dapat disimpulkan secara langsung dari penerapan . Jadi dalam interpretasi saya, fungsi dalam Bayes Theorem entah bagaimana semuanya kemungkinan, baik marjinal atau bersyarat. Jadi saya benar-benar berpikir bahwa kemungkinan sebagai konsep lebih merupakan …

8 probability  likelihood 

Proyek saya saat ini mungkin mengharuskan saya untuk membuat model untuk memprediksi perilaku sekelompok orang tertentu. set data pelatihan hanya berisi 6 variabel (id hanya untuk tujuan identifikasi): id, age, income, gender, job category, monthly spend di mana monthly spendadalah variabel respon. Tetapi dataset pelatihan berisi sekitar 3 juta baris, …

8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 

Saya mengalami sedikit kesulitan memahami konsep dan derivasi dari kemungkinan data terpotong. Misalnya, jika saya ingin menemukan fungsi kemungkinan berdasarkan sampel dari distribusi, tetapi ketika mengambil sampel dari distribusi, saya mengamati nilai terpotong (di mana ada cut-off dari MMM, yaitu setiap dicatat sebagai ):xi>Mxi>Mx_{i}>MMMM x1,x2,M,x3,M,x4,x5,...,x10x1,x2,M,x3,M,x4,x5,...,x10 x_{1}, x_{2}, M, x_{3}, M, …

8 dataset  likelihood 

Saya mencoba menghitung distribusi posterior ini: (θ|−)=∏ni=1pyii(1−pi)1−yi∑allθ,pi|θ∏ni=1pyii(1−pi)1−yi(θ|−)=∏i=1npiyi(1−pi)1−yi∑allθ,pi|θ∏i=1npiyi(1−pi)1−yi (\theta|-)=\frac{\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}}{\sum_{\text{all}\,\theta,p_i|\theta}\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}} Masalahnya adalah bahwa pembilang, yang merupakan produk dari sekelompok probabilitas terlalu kecil. ( saya besar, sekitar 1500).Bernoulli(pi,yi)Bernoulli(pi,yi)\text{Bernoulli}(p_i,y_i)nnn Oleh karena itu, nilai-nilai posterior untuk semua semua bisa dihitung menjadi 0 (saya melakukan perhitungan dalam R).θθ\theta Untuk memperjelas, masing-masing memiliki sendiri , bersama-sama ini …

8 r  likelihood  posterior 

Saya memiliki serangkaian tanggapan yang dinyatakan sebagai interval seperti contoh di bawah ini. > head(left) [1] 860 516 430 1118 860 602 > head(right) [1] 946 602 516 1204 946 688 di mana kiri adalah batas bawah dan kanan adalah batas atas dari respons. Saya ingin memperkirakan parameter sesuai dengan …

8 r  maximum-likelihood  likelihood  lognormal  interval-censoring 

Bagaimana saya menyelesaikan kuadrat dari titik saya tinggalkan, dan apakah ini benar sejauh ini? Saya memiliki sebelumnya normal untuk dari bentuk , untuk mendapatkan:ββ\betap ( β|σ2) ∼ N( 0 ,σ2V)p(β|σ2)∼N(0,σ2V)p(\beta|\sigma^2)\sim \mathcal{N}(0,\sigma^2V) p ( β|σ2) = ( 2 πσ2V)hal2exp[ -12σ2βTβ]p(β|σ2)=(2πσ2V)p2exp⁡[−12σ2βTβ]p(\beta|\sigma^2)=(2\pi\sigma^2V)^\frac{p}{2}\exp[-\frac{1}{2\sigma^2}\beta^T\beta] di mana adalah .βTββTβ\beta^T\beta∑i = 1halβ2saya∑i=1pβi2\sum\limits_{i=1}^p \beta_i^2 Kemungkinan saya memiliki distribusi …

8 bayesian  normal-distribution  prior  likelihood