İstatistik – Sosyal Bilimlerde İstatistik (59) – Mortalitede Siyah-Beyaz Farklılıklar – 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 (59) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

30 Eylül 2020 Bayesçi yaklaşım Gibbs örnekleyicisinin çalışması İkili bir probit modeli İstatistik – Sosyal Bilimlerde İstatistik (59) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma model kimsenin ölmeyeceği Ödevcim Akademik parametre tahminleri Yarış parametresi 0
İstatistik – Sosyal Bilimlerde İstatistik (59) – Mortalitede Siyah-Beyaz Farklılıklar – 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.


Bölüm 8.1.2’de sunulan Gibbs örnekleyicisini, her çalışma için parametreler için farklı başlangıç ​​değerleri kullanarak birkaç kez çalıştırdım. Şekil 8.3, otokorelasyon fonksiyonunun (ACF) bir grafiği ile birlikte kesişim parametresinin bir iz grafiğini göstermektedir. İz grafiği (ve R istatistiği) hızlı yakınsama gösterir, ancak ACF grafiği yüksek düzeyde otokorelasyon gösterir. Nihayetinde, son algoritmayı 25.000 yineleme için çalıştırdım, ilk 1.000’i yanma olarak ortadan kaldırdım ve otokorelasyonu azaltmak için zinciri her 24. örneklenen değere incelttim. Bu süreç bana regresyon katsayıları için 1000 arka örnek bıraktı. İkinci arsa, zinciri incelttikten sonra ACF’yi gösterir.

Not: Başarı oranı aşırı olduğunda (yüksek veya düşük) sorunlu olan bir konu, her gözlem için başarı veya başarısızlığı basitçe tahmin eden bir modelin, gözlemlenen sonucu çok iyi tahmin etme eğiliminde olmasıdır. Bu özel örnekte, basitçe kimsenin ölmediğini tahmin eden bir model, gözlenen yanıtların% 98,8’ini açıklıyor gibi görünüyor! Bu konu hakkında daha fazla tartışma için Hosmer ve Lemeshow’a bakın.

Şekil 8.4, dört kişi kaydı için örneklenmiş gizli eğilimleri (y ∗) göstermektedir. Birinci, ikinci ve üçüncü grafikler, katılımcının öldüğü üç kişi-yılı dağılımlarını göstermektedir. Birincisi, Güney’den olmayan, 11 yıllık eğitim almış 84 yaşındaki siyahi bir erkek için gizli eğilim dağılımı. İkincisi, Güney’den olmayan, 16 yıllık eğitim almış 62 yaşındaki beyaz bir erkeğin gizli eğilim dağılımı. Üçüncüsü, Güney’den olmayan, 17 yıllık eğitim almış 87 yaşındaki beyaz bir kadına yönelik örtük eğilimlerin dağılımıdır.

Son olarak, dördüncüsü, resmi eğitimi olmayan 93 yaşındaki siyahi, güneyli bir erkeğin dağılımıdır. Bu kişi kaydı, yanıtlayanın ölmediği bir durumu temsil eder ve bu nedenle, ilk üç dağıtım 0’ın sağında olmasına rağmen, dördüncü dağıtım 0’ın solundadır. Birinci ve üçüncü vakaların dağılımlarına dikkat edin çok benzer, ancak ikinci durumun dağılımı oldukça farklı. Farklılığın nedeni, ikinci vakanın diğerlerinden önemli ölçüde daha genç olan (62 yaşında) bir kişi için olması ve ölüm oranının yaşa bağımlılığının güçlü olmasıdır. Bu nedenle, gizli özellik dağılımı 0’a yakın kümelenme eğilimindedir.

Bu gizli dağılımlar, model uyumunu değerlendirmek için birçok şekilde kullanılabilir. İlk olarak, her yinelemede Y ‘nin tam örneğinin varyansını korudum. Hata dağılımının N (0,1) olduğunu bildiğimiz için, R2 için aşağıdaki gibi bir dağılım oluşturabiliriz:

  • var (N (0,1)) ./ var (Y ∗)

Bu hesaplamayı, var (Y ∗) için tutulan 1.000 değerin her biri için gerçekleştirmenin sonuçları, .192’lik bir ortalama tahmini R2 ve [.17, .22]% 95’lik bir aralık tahmini üretti. Bu sonuçlar, modelin verilere sosyal bilim standartlarına göre oldukça iyi uyduğunu göstermektedir. Bu tür küresel model uyum testine ek olarak, artık analizler de yapabiliriz.

İkili bir probit modelinde bir artığı nasıl hesaplayabiliriz? Örnekteki her bir birey için, sonuç değişkeni için yalnızca 0 veya 1 gözlemliyoruz. Bununla birlikte, tahmin edilen puanlar z biriminde (veya lojistik regresyon kullanıyorsak log-olasılık birimlerinde). Bu nedenle, doğrusal regresyon modeli için iyi çalışılmış olan kalıntı analizine yönelik standart yaklaşımlar, genellikle GLM’lerde kalıntıları incelemek için pek uygun değildir.

Bayesçi yaklaşım bu ikileme bir çözüm sunar. Gizli verilerin (Y ∗) kullanımıyla, gizli kalıntılar (e ∗ = Y ∗ – Xβ) oluşturabilir ve tercih ettiğimiz herhangi bir doğrusal regresyon tabanlı rezidüel tanılamayı kullanabiliriz. Bu gizli kalıntılar, örneklenen her β ve Y ∗ değeri için hesaplanabilir; Bu durumda, her birey için bir gizli kalıntı dağılımına sahip olacağız veya bunlar her gözlem için Y ∗ ortalamasını ve β ortalamasını kullanarak hesaplanabilir.

Şekil 8.5, Gibbs örnekleyicisinin çalışması sırasında elde edilen gizli puanların dağılımlarını ve aynı zamanda Gibbs örnekleyicisinin sonuçlarından derlenen tahmin edilen puanların gizli dağılımlarını göstermektedir. Şekil 8.6, yukarıda tartışılan dört durum için – bu dağılımlar arasındaki fark olarak hesaplanan – gizli kalıntıların dağılımını göstermektedir. Dört gizli kalan dağılımdan sadece biri 0 ile örtüşüyor, bu da vakanın yeterli uyumu olduğunu gösteriyor. Diğer vakalar, büyük ve pozitif kalıntılara sahiptir, bu da Şekil 8.5’te gösterildiği gibi, bunların gizli eğilimlerinin modelin öngördüğünden önemli ölçüde daha büyük olduğunu gösterir. Başka bir deyişle, model bu bireylerin ölmemesi gerektiğini öngörür, ancak gerçekte ölmüşlerdir, bu da Y ∗ için pozitif olan değerlere yol açar (ancak negatif olan tahmini değerler).

Bu vakaları şu özel sebepten seçtim: Yukarıda tartıştığım gibi, “başarılar” oranının 0,5’ten büyük ölçüde uzak olduğu bir modelde, tüm vakaların ya başarı olduğunu ya da başarısızlık olduğunu öngören bir model yüzünde görünecektir, verileri iyi sığdırmak için. Bu özel modelde çok az ölümümüz var ve bu nedenle model kimsenin ölmeyeceğini tahmin etme eğiliminde. Modelin iyi uyduğuna ikna olmak için, tüm durumlar için gizli hata dağılımını araştırmayı veya bunların özet ölçümlerini oluşturmayı düşünebiliriz. Bu özel model için, bunu yapmak, modelin yeterli genel uyumunu önerdi.

Tablo 8.3, Gibbs örnekleyicisinden türetilen parametre tahminlerini göstermektedir. Sonuçlar, yaşın, cinsiyette olduğu gibi, ölüm riski üzerinde güçlü ve olumlu bir etkiye sahip olduğunu ve kadınların erkeklerden önemli ölçüde daha düşük ölüm riski olduğunu kanıtladığını göstermektedir. İkamet bölgesi ve eğitim süresinin beklenen yönde etkileri vardır, ancak etkiler klasik standartlara göre “önemli” olmayacaktır. Bayes yorumuna göre, bu parametrelerin 0’dan büyük (veya eğitim durumunda daha az) olma olasılığı .05’ten az değildir.

Yarış parametresi için örneklenmiş değerlerden ve yarışa göre yaş etkileşiminden, geçiş yaşı için bir dağılım oluşturabiliriz. Bu dağılım, bir dizi aşırı değerle kesinlikle normal değildir. Örneğin, geçiş yaşı için minimum ve maksimum değerler sırasıyla -13,226,38 ve 393,33’tür. Bu uç değerler, katkıda bulunan parametrelerin her ikisinde de belirsizliğe sahip olduğumuz gerçeğinin bir ürünüdür. Şekil 8.7, bu katkıda bulunan parametreler için iki değişkenli dağılımı göstermektedir; 0’daki yatay ve dikey referans çizgileri, dağılımı dört “duruma” böler. Durum 1’de ana etki parametresi negatiftir ve etkileşim etkisi parametresi pozitiftir. Bu kombinasyon, pozitif olan geçiş yaşları oluşturur.


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