İstatistik – Sosyal Bilimlerde İstatistik (36) – Model Uyumunu Değerlendirme – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Whatsapp Mesajı + 90 542 371 29 52 - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı

1 Star2 Stars3 Stars4 Stars5 Stars (Bu yazıya oy vermek ister misiniz?)
Loading...

İstatistik – Sosyal Bilimlerde İstatistik (36) – Model Uyumunu Değerlendirme – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

24 Eylül 2020 algoritma hedef dağıtımda yakınsama Bazı Yaygın Sorunlar ve Çözümleri İstatistik – Sosyal Bilimlerde İstatistik (36) – Model Uyumunu Değerlendirme – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma Klasik istatistik Maksimum olabilirlik tahmin algoritmaları MCMC algoritma performansını neden değerlendirmelisiniz? modellerin uygunluğunu değerlendirmek Ödevcim Akademik Zayıf başlangıç ​​değerleri 0
İstatistik – Sosyal Bilimlerde İstatistik (36) – Model Uyumunu Değerlendirme – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

 

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


Markov Zinciri Monte Carlo (MCMC) Algoritmalarını ve

Model Uyumunu Değerlendirme

Önceki iki bölümde, parametreler için çıkarım yapmak için Gibbs örneklemesini ve Metropolis-Hastings (MH) örneklemesini kullandık. Bununla birlikte, çıkarım yapmak,

(1) algoritmanın doğru çalıştığını belirledikten ve

(2) seçtiğimiz modelin amaçlarımız için kabul edilebilir olduğuna karar verdikten sonra yapılmalıdır.

Bu iki konu, bu bölümün odak noktasıdır. Bu bölümün ilk kısmı, MCMC algoritmalarının yakınsaması ve karıştırılması konusundaki ilk endişeyi ele almaktadır. Bu bölüm, konunun kapsamlı bir açıklaması olarak görülmemelidir; belirttiğim gibi, MCMC yöntemlerindeki son gelişmelerin çoğu bu alanda olmuştur. Bununla birlikte, algoritma performansını değerlendirmek için sunduğum yaklaşımlar en yaygın kullanılanlardır.

Önceki bölümlerde, MCMC uygulamasının temellerini göstermiştim, ancak bu teknik konuları ele alınmamış bıraktım. Ancak, yazılım geliştirme büyük ölçüde Bayes modellerini tahmin eden araştırmacıya bırakıldığı için, bir MCMC algoritmasının ne kadar iyi performans gösterdiğini değerlendirmek, sorumlu bir Bayes analizi yapmak ve uygun çıkarımlar yapmak için çok önemlidir.

Bölümün ikinci kısmı, modellerin uygunluğunu değerlendirmek ve bir modeli “en iyi” olarak seçmek için üç yaklaşımı tartışır.

Spesifik olarak, arka tahmin dağılımlarını, Bayes faktörlerini ve Bayes model ortalamasını tartışıyorum. Son iki yönteme nispeten az ilgi gösteriyorum. Bayes faktörleri, MCMC tahmininin bir yan ürünü olmayan ve genellikle hesaplanması oldukça zor olan karmaşık bir integral olan verilerin marjinal olasılığının (Bayes’in olasılık dağılımları için tam formülünün paydası) hesaplanmasını gerektirir. Bu nedenle, hesaplamak için ek yöntemlere ihtiyaç vardır ve bu, bu yazı dizisinin kapsamı dışındadır.

Bayes model ortalama (BMA), birden çok modelin sonuçlarını tek bir modelde birleştirerek temelde model seçme ihtiyacını ortadan kaldırır. Bu nedenle BMA, bir hipotezi değerlendirmek için genellikle tek, spesifik bir modeli test etmekle ilgilendiğimiz sosyal bilimler ortamında sıklıkla kullanılmayabilir.

MCMC algoritma performansını neden değerlendirmelisiniz?

Klasik istatistikte, maksimum olasılık veya diğer (örneğin en küçük kareler) tahminleri üretmek için kullanılan tahmin rutinleri zaten geliştirilmiş, hataları ayıklanmış, test edilmiş ve yeniden test edilmiştir ve bunlar büyük ölçüde bunları kullanan araştırmacının görüş alanı dışındadır. . Örneğin, bir araştırmacı sıradan bir en küçük kareler (OLS) regresyon modelini tahmin etmek için SAS veya STATA kullanıyorsa, araştırmacının yazılımı kullanmak ve elde etmek için (XT X) −1 (XT Y) ‘yi nasıl hesaplayacağını bilmesine gerek yoktur. OLS tahminleri. Bunun aksine, MCMC yöntemlerini içeren bir Bayes analizinde, araştırmacının bu bilgiyi bilmesi gerekir.

Bu nedenle, araştırmacı, programlama hatalarına ve tahmin rutinlerini oluşturmada yer alan diğer konulara uyum sağlamalıdır. Bu ekstra çalışmanın değiş tokuşu, model geliştirmede, çıkarımda ve model uygunluğunun değerlendirilmesinde, genellikle araştırmacı önemli ölçüde programlama çabası harcamadan klasik bir analizin sunabileceğinden çok daha fazla esneklik olmasıdır.

Bir MCMC algoritmasını işe yaramaz hale getirebilecek temel programlama hatalarının yanı sıra, herhangi bir MCMC algoritmasının uygulanmasında iki temel endişe vardır: yakınsama ve karıştırma. Algoritmanın uygun yoğunluğa (arka yoğunluk) “yakınsayan” ve yoğunluğun desteği boyunca iyi “karışan” bir Markov zinciri oluşturduğundan emin olmalıyız. Bir noktaya yakınsayan maksimum olasılık tahminlerini bulmak için kullanılan rutinlerin aksine, MCMC algoritmaları bir yoğunluğa yakınsamalı ve tam olarak örneklemelidir. Bu nedenle, bir MCMC algoritması uygun bölgeye yakınsasa bile, algoritmanın yoğunluğa yaklaştıktan sonra yoğunluk boyunca “hareket ettiğinden” ve algoritmanın çalışması sona ermeden önce olması gerektiği gibi yoğunluğun tüm alanlarından örnekler aldığından emin olmalıyız. .

Bazı Yaygın Sorunlar ve Çözümleri

Yakınsama ve karıştırma, özellikle aşağıdakiler dahil olmak üzere bir dizi faktörden etkilenebilir:

• Parametreler için başlangıç ​​değerleri.
• Arka dağılımın şekli.
• Bir MH algoritmasında teklif yoğunluğu seçimi.

Maksimum olabilirlik tahmin algoritmalarında olduğu gibi, başlangıç ​​değerleri bir MCMC algoritmasının performansında bir fark yaratabilir. MCMC teorisi, bir MCMC algoritmasının, sınırda, faizin arka dağılımında yakınsayacağını gösterse de, herhangi bir sonlu uzunlukta çalışacağının garantisi yoktur. Örneğin, bir MCMC algoritmasının yakınsaması için 10.000 yineleme gerekiyorsa, ancak algoritma yalnızca 1.000 yineleme için çalıştırılırsa, algoritma kesinlikle yakınsamış olmayacaktır. Dahası, algoritma da açıkça karışmış olmayacak. Kısaca, eğer başlangıç ​​değerleri özellikle zayıfsa (örneğin, hedef dağılımın merkezinden uzakta), algoritma hedef dağıtımdan tamamen örneklenmeden önce, yakınsama elde edilmeden önce çalışma sona erebilir.

Bazı durumlarda, özellikle zayıf başlangıç ​​değerleri, asla “yerden kalkmayan” bir algoritma üretebilir. Örneğin, Bölüm 4’te bahsettiğim gibi, düzlemsel yoğunluk için ikinci Gibbs örnekleyici, algoritmanın örneklemeye başlaması için makul başlangıç ​​değerleri gerektiriyordu; iyi bir başlangıç ​​değeri olmadan, algoritma x için tek bir geçerli değeri simüle edemezdi.

Zayıf başlangıç ​​değerlerine sahip olma sorununun bariz bir çözümü, daha iyi olanları bulmaktır! Bunu söylemek yapmaktan daha kolay olabilir; ancak, sosyal bilimlerde yaygın olan çoğu model için, genel olarak benzer modellerden maksimum benzerlik tahminlerini başlangıç ​​değerlerimiz olarak kullanabiliriz. Örneğin, kitabın ilerleyen bölümlerinde tartışılan çok değişkenli probit modellerinde, başlangıç ​​değerlerimiz olarak tek değişkenli probit modellerinden maksimum olasılık tahminlerini kullanabiliriz. Problemin ikinci çözümü, algoritmayı daha fazla yineleme için çalıştırmak olabilir.

Sınırda, algoritma hedef dağıtımda yakınsamalıdır.Posterior dağılımın şekli de yakınsamayı ve karıştırmayı etkileyebilir. Posterior multimodal ise, örneğin, bir MCMC algoritması bir modda hızla yakınsayabilir, ancak modlar arasında iyi karışmayabilir. Bu problemin birkaç çözümü vardır (bazıları diğerlerinden daha karmaşık); basit olanı, bir moddan diğerine atlamak mümkün olacak şekilde teklif yoğunluğunun genişliğini / varyansını genişletmek olabilir. İkinci bir çözüm, daha iyi bir model bulmak, yani daha iyi öngörücüleri dahil etmek olabilir (modelin bir regresyon modeli olduğunu varsayarsak). Çoklu modalitenin bir nedeni, önemli bir değişkenin (cinsiyet gibi) ihmal edilmesi olabilir. Teorik olarak, posterior dağılımlar asimptotik olarak normal olma eğilimindedir ve bu kitapta tartışılan modellerle, multimodalite, ilgili değişkenlerin çoğu veya tümü dahil edilirse nadiren bir sorun olabilir.


On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir