İstatistik – Sosyal Bilimlerde İstatistik (40) –”Rˆ” ve Diğer Hesaplamalar – 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 (40) –”Rˆ” ve Diğer Hesaplamalar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

24 Eylül 2020 "Rˆ" ve Diğer Hesaplamalar başlangıç ​​değerleri Birden çok zincir için başlangıç ​​değerleri Birden çok zinciri içeren başka bir yaklaşım Farklı başlangıç ​​değerleri İstatistik – Sosyal Bilimlerde İstatistik (40) – Rˆ ve Diğer Hesaplamalar – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma Ödevcim Akademik örneklenmiş değerlerinin iki boyutlu bir izleme grafiği sayısal sonuçlar Üç algoritma genelinde üç parametre için kabul oranları Yakınsamayı ve yeterli karışımı belirlemek zincir segmentlere ayrılabilir 0
İstatistik – Sosyal Bilimlerde İstatistik (40) – Rˆ ve Diğer Hesaplamalar – 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.


Orijinal MH algoritması için (bir çift tek tip öneri yoğunluğu kullanan) ve sonuncusu korelasyon −.9 ile iki değişkenli normal öneri yoğunluğunu kullanan otokorelasyon fonksiyonunun bir grafiğidir. Her iki grafik de güçlü bir otokorelasyon gösterir, ancak iki değişkenli normal öneri daha az otokorelasyonu kanıtlar. Yalnızca her 20 (veya daha fazla) örnek tutulduktan sonra çıkarım yapılmalıdır. Şekil 6.12, ilk 2.000 örnek atıldıktan ve daha sonra her 20’de bir kaydedildikten sonra bu MH algoritmasından m2 için marjinal arka yoğunluğu göstermektedir. Parametre için arka ortalama −.0122 ve arka standart sapma 00077 idi. Bu sonuçlar, önceki algoritmaların her birinden elde edilen sonuçlara benzer, ancak daha iyi teklifle, gerekli olan daha zayıf teklif yoğunluklarını kullanan MH algoritmalarından daha kısa bir çalışma ile bunları elde edebildik.

“Rˆ” ve Diğer Hesaplamalar

MCMC algoritmalarının yakınsamasını ve tam olarak karıştırılmasını incelemek için çok yararlı olan bir yaklaşım, parametreler için oldukça dağınık başlangıç ​​değerlerinden birden çok algoritma örneğini çalıştırmak ve sonuçları karşılaştırmaktır.

Tarihsel olarak, bir algoritmanın birden fazla örneğini çalıştırıp bunları karşılaştırıp karşılaştırmayacağına veya algoritmanın tek bir yerde uzun süre yerleşip yerleşmediğini görmek için çok uzun bir örnek çalıştırıp çalıştırmayacağına ilişkin önemli tartışmalar olmuştur. başka bir yere taşınır.

Bu yaklaşıma göre, zincir segmentlere ayrılabilir ve her segmentin araçları, yakınsama eksikliğini gösteren herhangi bir trend olup olmadığını belirlemek için sayısal olarak karşılaştırılabilir (örneğin, segment araçlarını çizerek veya zaman serisi regresyonlarını gerçekleştirerek) önceki bölümde yapıldı) ve muhtemelen zayıf karıştırma (örneğin, segment araçları, segment içi varyans ve toplam varyansı kullanarak ANOVA veya yapay regresyon gerçekleştirerek bu strateji aşağıda tartışılan R’nin hesaplanmasına benzerdir. Son on yılda bilgi işlem gücündeki inanılmaz artışla birlikte birçok problemde, ikisini birden yapmamak için genellikle hiçbir neden yoktur.

Birden çok zincir için başlangıç ​​değerlerini nasıl belirleriz? Yaklaşımlardan biri, bir zincir için tüm parametreleri 0’dan başlatmaktır (eğer bu mantıklıysa – örneğin, regresyon parametreleri için bu yaklaşım makul olabilir; bir varyans parametresi için olmayabilir), benzerden maksimum olasılık tahminlerini kullanın (veya bir başkasında başlangıç ​​değerleri olarak aynı) modeli ve üçüncüsü için parametreler için son derece uygunsuz başlangıç ​​değerleri kullanın. Üç zincirin tümü aynı konuma yakınsarsa, yakınsamayı gösterebilir.

Farklı başlangıç ​​değerleri kullanmaktan başka ne yapabiliriz? Bir MCMC algoritmasındaki başlangıç ​​değerlerini değiştirmekten daha fazlasını yapabiliriz. Örneğin, her algoritmada kullanılan teklif yoğunluklarını (formları veya genişlikleri / varyansları) değiştirebiliriz. Parametreleri sırayla güncelliyorsak ve aynı anda değil, güncelleme sırasını değiştirebiliriz. Başka bir deyişle, simülasyonu yürüten programın temelleri ile oynayabiliriz.

Sonuçta, mesele şu ki, algoritmalar iyi bir şekilde birleşiyor ve karıştırıyorsa, hepsinin benzer sonuçlar vermesi gerekir. Sonuçlardan yakınsamayı nasıl tespit ederiz? Bir dizi zincir üretildikten sonra, sonuçları değerlendirmek için bazı araçlara ihtiyacımız var. Birden çok zinciri karşılaştırmanın bir yolu, hepsini tek bir iz grafiğinin üzerine yerleştirmektir. İzler ayırt edilemez ise, o zaman algoritma ilgilenilen yoğunluk boyunca birleşmiş ve karışmış olabilir.

Örnek olarak, ifade özgürlüğü / siyasi katılım verileri için iki değişkenli normal model için MH algoritmasını tekrar ele alalım. Orijinal MH modelinde, μx ve μy’yi tam koşullu dağılımlarından simüle ettik (Gibbs örnekleme adımları), ancak σx2 ve σy2 varyans parametrelerinin yanı sıra korelasyon parametresi ρ’yi tek tip teklif yoğunluklarına sahip MH adımları kullanarak simüle ettik. Varyans ve korelasyon parametreleri için farklı başlangıç ​​değerleri setleri kullanarak MH algoritmasını üç kez yeniden çalıştırdım.

İlk çalıştırmada, σx2 = σy2 = 1 ve 1 = 0 başlangıç ​​değerleri. İkinci olarak, σx2 = σy2 = 10 veρ = -. 99 kullandım.
Üçüncüsü, σx2 = σy2 = .01 ve = .99 kullandım. Bu başlangıç ​​değerleri oldukça dağınıktır: ρ için başlangıç ​​değerleri, bu parametre için olası aralığı kapsar ve varyans parametreleri için başlangıç ​​değerleri, mümkün olan en düşük değerden (0) başlayarak geniş bir olası değer aralığını kapsar.

MH algoritmasının her bir başlangıç değerleri kümesi altındaki ilk 600 yinelemesi için örneklenmiş ρ değerlerinin bir iz grafiğini göstermektedir. Şekilde görüldüğü gibi, algoritmanın her üç çalışması da 400’den fazla yineleme içinde ortak bir bölgeye yakınsıyor. 400 yinelemenin ötesinde, simülasyon dizileri ayırt edilemez hale gelir.

Varyans parametrelerinin örneklenmiş değerlerinin iki boyutlu bir izleme grafiğini göstermektedir. Bu şekil, ρ için olanla tutarlı bir resim sağlar: Varyanslar için başlangıç değerlerine bakılmaksızın, algoritmalar bu parametreler için ortak iki değişkenli bir bölgeye hızla yakınsamıştır.

Üç algoritma genelinde üç parametre için kabul oranları, ilk 1.000 yinelemeden sonra% 55,% 64 ve% 57’de oldukça sabitti (çalıştırmalarda yüzde birden daha az farkla) ve yakınsamayla ilgili ek kanıtlar sağladı. Nispeten erken ulaşılmıştı ve bu tam karıştırma ilk 1.000 kadar yinelemeden sonra gerçekleşti.

Birden çok zinciri içeren başka bir yaklaşım, sayısal sonuçları karşılaştırmaktır: Araçlar, varyanslar vb. Farklı zincirler arasında benzer mi? Neredeyse aynı olmadıkları kesindir, ancak MCMC örnekleme hatası sınırları dahilinde mi? 1 Mevcut örnekte, üç çalışma için ρ için ortalamalar .4504, .4495 ve .4490 idi.

Sırasıyla .0215, 0214 ve .0209. Bu nedenle, arka araçların tümü MCMC örnekleme dalgalanması içindedir ve algoritmanın iyice yakınsadığını ve karıştığını gösteren bazı göstergeler sağlar.

Yakınsamayı ve yeterli karışımı belirlemek için kullanılan yaygın bir yaklaşım, “Ölçek azaltma faktörü” Rˆ’nın hesaplanmasıdır (genellikle “Gelman-Rubin yakınsama teşhisi” olarak adlandırılır. Bu MH algoritmasındaki R oranı değildir. M zincirler çalıştırıldığında, her biri n uzunluğunda, her zincir için bir θ parametresinin ortalamasını (θ ̄), tüm zincirleri birleştirirsek (θ ̄) parametrenin genel j ortalamasını, zincir içi varyasyonu hesaplayabiliriz:

  •  [(1 / (m (n – 1)) 􏰄m 􏰄n (θ – θ ̄) 2] ve zincirler arası varyans 􏰄mi = 1j = 1iji [n / (m – 1) (θ ̄ – θ ̄) 2].

Gelman (1996), θ, i = 1 i’nin toplam varyansının, varyans arası varyans + (1 / n) × içinde (n – 1) / n × olduğunu göstermektedir.


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