İstatistik – Sosyal Bilimlerde İstatistik (37) – Düşük Performansın Farkına Varmak – 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 (37) – Düşük Performansın Farkına Varmak – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

24 Eylül 2020 basit regresyon modeli Düşük Performansın Farkına Varmak İstatistik – Sosyal Bilimlerde İstatistik (37) – Düşük Performansın Farkına Varmak – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma İz Grafikleri izleme grafiğinin kullanılması Ödevcim Akademik Tartıştığım son çözüm Teklifi değiştirmek gerektiğinde verileri değişkenleri ortalayarak 0
İstatistik – Sosyal Bilimlerde İstatistik (37) – Düşük Performansın Farkına Varmak – 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.


Posterior dağılımın yakınsamayı ve karıştırmayı yavaşlatan bir başka özelliği, model parametrelerinin güçlü arka korelasyonudur. Basit bir regresyon modelinde, örneğin, kesişim ve eğim parametreleri genellikle yüksek oranda negatif korelasyona sahip olacaktır. Parametreler arasındaki güçlü korelasyonlar yavaş yakınsamaya neden olabilir, çünkü algoritmanın başlangıç ​​değerlerinden hareket etmesi – özellikle öneri yoğunlukları geniş olduğunda zor olabilir.

Benzer şekilde, başlangıç ​​değerleri çok iyiyse (örneğin, maksimum olasılık tahminlerinde), algoritma iyi karışmayabilir, çünkü algoritmanın onlardan uzaklaşması zor olabilir. Bu sorunun teşhisi genellikle kolaydır, çünkü çok düşük bir kabul oranı sağlar (aşağıya bakın), ancak çaresi çok kolay olmayabilir. Yüksek düzeyde ilişkili parametreler sorununa temel olarak üç çözüm vardır: verileri dönüştürmek, modeli yeniden ölçmek ve teklif yoğunluklarını değiştirmek.

Yukarıda bahsedilen basit regresyon modeli örneğinde, kolay bir çözüm, verileri değişkenleri ortalayarak dönüştürmektir; burada merkezleme, her değişkenin ortalamasını o değişken üzerindeki tüm gözlemlerden çıkarma işlemidir. Merkezleme genellikle regresyon modellerinde ve hiyerarşik / büyüme modellerinde parametrelerin posterior ilişkisini azaltmak için çalışır. Bununla birlikte, bir regresyon modelinde, merkezleme yalnızca kesişim ve eğim parametreleri arasındaki korelasyonu azaltacaktır (eğim parametreleri arasında değil).

Parametreler arasındaki güçlü arka korelasyonlar sorununa son iki çözüm, aslında aynı madalyonun diğer yüzüdür. Yeniden parametrelendirme, model parametrelerini ilişkisiz olmaları için dönüştürme sürecidir. Örneğin, Gilks ​​ve Roberts (1996), yeni değişkenler Y1 = X1 + X2 ve Y2 = 3 (X1X2) oluşturarak, Y1 ve Y2 için dağılımdan simüle ederek ve ardından simüle edilen orijinal değişkenler için dağılımlardan örnekler almak için örnekleri geri almak, daha hızlı yakınsama ve karıştırmaya yol açar. Elbette, yeni parametreler ilintisiz olduğu veya zayıf korelasyonu olduğu sürece alternatif yeniden parametrelendirmeler mümkündür.

Yeniden parametreleme oldukça zor olabilir.Birincisi, çok sayıda öngörücüye sahip bir regresyon modelini tahmin ediyorsak, tüm regresyon katsayılarını dönüştürmek son derece yorucu olabilir ve güçlü posterior korelasyonları azaltan veya ortadan kaldıran bir dönüşüm bulmak bir vur-kaç önerisi olabilir.

İkincisi, bir dağılımı bir parametreleştirmeden diğerine dönüştürdüğümüzde, yeni dağılıma dönüşümün Jakobenini dahil etmeliyiz, burada Jakoben esasen bir alandaki değişkenlerin birbiriyle göreli ilişkisini temsil eden bir skaler veya matristir orijinal uzaydaki değişkenlerin birbirleriyle nasıl ilişkili olduğu. Jacobian, yüksek boyutlu bir dönüşümde bir matris olacaktır ve türetilmesi, özellikle teklif alanlarının basitçe değiştirilmesiyle karşılaştırıldığında karmaşık olabilir.

Tartıştığım son çözüm – teklif yoğunluklarını değiştirmek – modeli yeniden parametrelendirmekten çok daha kolay. Parametreler arasında güçlü arka korelasyonlar olduğunda bir modelin hızlı bir şekilde yakınsamamasının veya iyi karışmamasının bir nedeni, teklif yoğunluklarının arka yoğunluğun şekline yakından uymaması ve bu nedenle algoritmanın çok sayıda reddedilmiş aday üretmesidir. . Çok değişkenli bir teklif yoğunluğunun yüksek derecede ilişkili olan parametreler kümesindekilerle eşleşen bağıntılarla bulunması, genellikle daha hızlı yakınsamaya ve daha iyi karıştırmaya yol açacaktır, çünkü teklif ve posterior için benzer bir şekle sahip olmak, tekliflerin daha fazla yoğunluğa sahip olmasına izin verir. Bunlar: posteriorun daha yoğun olduğu bölgelerde geçerlidir.

Nihayetinde, teklif yoğunluklarının değiştirilmesi yeniden parametreleştirmeye eşdeğer bir stratejidir: Yeniden parametreleştirme altında, teklifler sabit kalırken, posterior, tekliflerin şekline daha yakından uyacak şekilde değiştirilir; teklif modifikasyonu altında, posterior sabit kalır, teklifler ise posteriorun şekline daha yakından uyacak şekilde değiştirilir. Ben şahsen ikinci yaklaşımı tercih ediyorum, çünkü daha basittir ve numuneleri orijinal parametreleştirmeye geri dönüştürmek için sonunda ek adımlar gerektirmez.

Son olarak, teklif yoğunluğu seçimi, güçlü arka korelasyonlar mevcut olmadığında bile yakınsamayı ve karıştırmayı etkileyebilir. Genel kural, öneri yoğunluğu arka yoğunluğa ne kadar az benzerse, yakınsama ve karıştırma sorunları o kadar kötü olur. Kendi tecrübelerime göre, sosyal bilimlerde yaygın olarak kullanılan temel modelleri tahmin etmek için rastgele yürüyen metropol algoritmalarını (genellikle bazı Gibbs örnekleme adımlarıyla) kullanmak, parametreler arasındaki güçlü arka korelasyonlar belirgin olmadığında teklif yoğunluğunu değiştirmek genellikle gerekli değildir. 

Teklifi değiştirmek gerektiğinde, bu genellikle teklifin temel şeklinden değil, genişliği veya varyansı açısından ölçeğinden kaynaklanmaktadır. Bu problem – çok dar ya da çok geniş bir teklif yoğunluğuna sahip – genellikle teşhis etmek oldukça kolaydır, çünkü algoritmanın kabul oranı ya çok küçük ya da çok büyük olacaktır.

Düşük Performansın Farkına Varmak

Önceki bölümde, yakınsamama ve zayıf karıştırma üreten bazı yaygın sorunları anlattım ve performansı iyileştirmek için nispeten basit bazı yaklaşımları tartıştım. Ancak yakınsama ve karıştırma problemleri mevcut olduğunda nasıl teşhis ederiz? MCMC yöntemlerinin orijinal geliştirilmesinden bu yana, MCMC algoritmalarının yakınsamasını (ve karıştırmasını) değerlendirmek için bir dizi yöntem önerilmiştir. En yararlı görünen birkaçını tartışacağım. Bununla birlikte, başlangıçta, analitik olarak inatçı yoğunlukları içeren problemler için yakınsamayı değerlendirmenin ve karıştırmanın kesin bir yolu olmadığını ve bu nedenle, yakınsamanın bir araştırmacıyı tatmin etmek için bir yöntem kombinasyonunun kullanılması gerektiğini belirtmek önemlidir. Elde edilen. Herhangi bir istatistik kuruluşunda olduğu gibi, MCMC tahmini büyük ölçüde deneyimle yardım edilen bir sanattır.

İz Grafikleri

Yakınsama ve karıştırmayı değerlendirmenin ilk ve muhtemelen en yaygın yöntemi, izleme grafiğinin kullanılmasıdır. İz çizimleri daha önce tanıtıldı ve tartışıldığı gibi, her yinelemede bir algoritmadan örneklenen değerlerin basitçe çizimleridir; x ekseni algoritmanın yinelemesine ve y ekseni örneklenen değeri (parametre veya veri noktası) referans alır.

Bir izleme grafiğiyle, algoritmanın asla sabit, durağan bir duruma gelmeyeceği şekilde örneklenen değerlerde eğilim gösterilerek yakınsama eksikliği kanıtlanır.

Örnek olarak, m1 ve m2 eğim parametrelerini ve kesişme parametresi b’yi Bölüm 2’de açıklanan ifade özgürlüğü ve siyasi katılım maddelerine uygulanan düzlemsel yoğunluktan örneklemek için bir MH algoritması oluşturdum. 

Algoritma, 400. iterasyondan önce yakınsamış görünmüyor; bunun yerine, sıfırdan başlangıç ​​değerinden yaklaşık 0,012’ye kadar açık aşağı yönlü trend mevcuttur. Algoritma, 400. yineleme civarında bir yerde birleşmiş olabilir (noktalı dikey çizgiye bakın). M2 parametresi için örneklenen değerlerin, 1.000 iterasyonuyla 400 veya benzerinden itibaren net, genel bir eğilim göstermediğine dikkat edin.


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