İstatistik – Sosyal Bilimlerde İstatistik (61) – Model Geliştirme ve Parametre Yorumlama – 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 (1 Kişi oy verdi, 5 üzerinden ortalama puan: 5,00. Bu yazıya oy vermek ister misiniz?)
Loading...

İstatistik – Sosyal Bilimlerde İstatistik (61) – Model Geliştirme ve Parametre Yorumlama – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

30 Eylül 2020 İki terimli olabilirlik fonksiyonu İstatistik – Sosyal Bilimlerde İstatistik (61) – Model Geliştirme ve Parametre Yorumlama – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma Kesilmiş normal dağılımlardan örnek latent eğilimler kesişimin tanımlanması Ödevcim Akademik Parametreler İçin Arka Dağılımdan Örnekleme Tüm parametreler için başlangıç ​​değerleri 0
İstatistik – Sosyal Bilimlerde İstatistik (61) – Model Geliştirme ve Parametre Yorumlama – 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.


 Model Geliştirme ve Parametre Yorumlama

İkili probit modeli için olasılık fonksiyonu iki terimli dağılıma dayanırken, sıralı probit modeli için olasılık fonksiyonu çok terimli dağılıma dayanır. Bölüm 2’de tartıştığımız gibi, çok terimli dağılım, basitçe bir yerine modellenen birden çok p parametresinin olduğu durum için basitçe iki terimli dağılımın bir uzantısıdır. Bu nedenle, ordinal probit modeli için olabilirlik fonksiyonu oluşturulabilir.

Bu gösterim ilk bakışta kafa karıştırıcı görünebilir, ancak Denklem 8.1’deki iki terimli olabilirlik fonksiyonunun doğrudan bir uzantısıdır. Birincisi, sıralı probit durumunda p, P ile değiştirilir ve şu anda bir bireyin bir kategoriye karşı onun tamamlayıcısına karşı düşme olasılığından daha fazlasını ele aldığımız gerçeğini temsil eder (örneğin, Sağlıklı ve Değil): Şimdi birden fazla olası kategoriler (örneğin, Mükemmel sağlık, İyi sağlık, Adil sağlık, Kötü sağlık). İkincisi, iki ürün sembolümüz var. İlki, iki terimli olasılıktaki çarpım gibi, numunedeki tüm bireyler için ortak örnekleme yoğunluğunu oluşturur. İkincisi, şu gerçeği ele alan bir uzantıdır.

Artık iki yerine J sonuç kategorisine sahibiz. İki terimli olabilirlik fonksiyonunda, belirli bir bireyin katkısı pyi (1 – pi) 1 − yi’dir, burada pi, bireyin sonuca “1” (a 0’a karşı) kaydetme olasılığını temsil etmez. Bir “1” kaydeden bir kişi yalnızca önceki terime katkıda bulunurken, “0” kaydeden bir kişi yalnızca son terime katkıda bulunur. Çok terimli versiyonda, bireyin katkısı pI (yi = 1) pI (yi = 2) … pI (yi = J) şeklindedir, burada I (yi = j) bir gösterge fonksiyonu göstergesidir i1 i2 iJ bireyin cevabının j kategorisinde olduğunu belirtir.

Bu nedenle, birey sonuçta olasılığa yalnızca bir terime katkıda bulunur (diğerlerinin tümü düşer, çünkü gösterge işlevi 0 değerini alır). Regresyon parametrelerini (ve X) bu modele nasıl dahil ederiz? Daha önce olduğu gibi pij, standart normal dağılımın integrallerine karşılık gelir. Yukarıda tartışılan gizli değişken yaklaşımını düşünün. Bir kez daha gizli bir değişken yi ∗’nin gözlemlenen sıra ölçümüzün altında olduğunu varsayarsak, daha önce sunulan bağlantı denklemini (bkz. Denklem 8.3) şu şekilde genişletebiliriz:

Şekil 8.9, denklemde ana hatları verilen sürecin grafik bir tasvirini sunar. Gizli dağılım (y ∗) eşiklere (τ) bölünür ve bireylerin gözlemlenen y değerleri, y ∗ konumlarına ve eşiklerin yerleşimine göre belirlenir. Örneğin, y ∗ değeri τ1 ile τ2 arasına düşecek kadar küçük olan bir kişi ölçülen maddeye “1” yanıtını verecektir.

Daha önce olduğu gibi, hata terimi için bir dağılım belirtimi verilen bağlantı denklemi, hata dağılımı üzerinde bir integrali ifade eder, ancak şimdi integral, gizli y ∗’yi gözlemlenen sıralı “bölmelere” bölen eşiklerle sınırlanmıştır:

  • p (yi = j) = P (τj − 1 −XiTβ <ei <τj −XiTβ

Bu sonuç, olasılığı daha kısa ve öz olarak yazmamızı sağlar:

  • τyi −XiTβ) −Φ (τyi − 1 −XiTβ).

Modeli tamamen Bayesçi yapmak için, regresyon parametreleri ve eşikleri için öncelikler belirlememiz yeterlidir. Bir kez daha, tüm parametreler için uygun olmayan tek biçimli öncelikler kullanmayı tercih ediyorum ve bu nedenle arka dağılım orantılıdır.

Bu modelden parametrelerin yorumlanması, önceki bölümde anlatılanlarla aynı zorlukları ortaya çıkarmaktadır. Sıralı probit modelindeki katsayılar için metrik, tıpkı ikili probit modelinde olduğu gibi, z ölçeğidir ve bu nedenle, parametrelerin etkisinin yorumlanması, bir birey için z puanını β birim yukarı veya aşağı kaydırmak açısından yapılır. 

Bir bireyin belirli bir kategoriye veya belirli bir kategoriye veya daha fazlasına düşme olasılığını belirleme açısından alternatif yorumlar türetilebilir, ancak ilgi genellikle sadece işaret, göreli büyüklük ve katsayının istatistiksel önemi büyüktür.

İkili lojistik regresyon modelinde olduğu gibi, bir sıralı lojistik regresyon modeli katsayısı, bir kategoride olmak için elatif olasılıklardaki değişikliği yansıtacak şekilde üslenebilir ve karşılık gelen kovaryattaki bir birimlik artışla ilişkili bir sonraki daha düşük kategori katsayısına bakılır. Bu olasılık oranı, hemen altındaki kategoriye göre her kategori için geçerli olduğundan, model bazen “orantılı olasılık modeli” olarak adlandırılır.

Parametreler İçin Arka Dağılımdan Örnekleme

Sıralı bir probit modeli için, ikili probit modeli için algoritmanın yalnızca;

(1) kategorileri sınırlayan eşiklerin tahminini işleyecek şekilde genişletilmesi ve

(2) iki kat ayarlı normal dağılımlardan simüle edilecek şekilde uyarlanması gerekir.

Yukarıda gösterilen arka yoğunluktan, modelin parametrelerinin sadece regresyon katsayılarını değil, aynı zamanda gizli dağılımı gözlemlenen sıra bölmelerine “bölen” kategori eşiklerini de içerdiğini hatırlayın. İkili probit modelinde, tek eşiği 0 olarak sabitledik.

Bu kısıtlama, kesişimin tanımlanması için gereklidir; Eşiğin değişmesine izin verilirse, kesişme olasılığı etkilemeden basitçe değişebilir. Sıralı probit modelinde, bir eşik parametresini sınırlamamız gerekir, ancak geri kalanını tahmin edebiliriz (ancak hepsinin tahminine izin vermek için eşiklerde uygun bir öncekinin kullanılmasını tartışan Johnson ve Albert, 1999’a bakınız) .

Bu nedenle, Gibbs örnekleme algoritmamız, koşullu posterior dağılımlarından eşikleri simüle etmeyi içerecek şekilde genişletilmelidir. Eşikler için tekdüze öncelikler varsayıldığında, eşik j için koşullu dağılım, j – 1 kategorisindeki bir birey için çizilen maksimum gizli eğilim (Y ∗) ile bir kategori için çizilen minimum gizli eğilim arasındaki aralıkta tekdüze bir dağılımdır j kategorisindeki birey.

Böylece algoritma şu şekilde genişletilir:

1. Tüm parametreler için başlangıç ​​değerleri belirleyin. Şimdi parametre vektörü, bazı makul başlangıç ​​değerlerine ihtiyaç duyan eşikleri de içerir. Eşik j için başlangıç ​​değerleri elde etmenin basit bir yolu, j kategorisindeki veya altındaki gözlemlerin oranı için ters normal kümülatif dağılım fonksiyonunu (CDF) kullanmaktır.
2. Kesilmiş normal dağılımlardan örnek latent eğilimler (Y ∗). Eğilimlerin 0’ın yukarısından örneklendiği ikili probit ile yanıt 1 ise ve 0’ın altındaysa, sıralı probit modelindeki kesme noktaları, sıralı kategoriyi sınırlayan eşiklerdir. tepki düşer.
3. [maks (y: y ∈ j – 1), min (y: y ∈ j)] aralığındaki tekdüze yoğunluklardan örnek eşiği j (∀j).
4. Koşullu dağılımlarından örnek regresyon katsayıları: β ∼ (X′X) −1 (X′Y ∗).


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