Kernel Eşitleme – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
Önceden düzeltilmiş puan dağılımlarını orijinal denkleme tasarımından sırasıyla r ve s’ye, X ve Y’nin T üzerindeki dağılımlarına dönüştüren Tasarım Fonksiyonu ile başlıyoruz. Genel bir formülasyona sahip olmak için, R ve S’nin önceden düzeltilmiş puan dağılımlarının vektörlerini temsil etmesine izin verdik. Tablo 5.1, her eşitleme tasarımı için R ve S’nin yorumunu gösterir. Örneğin, EG tasarımında, R sadece r vektörü ve S, s’dir.
Bununla birlikte, CB tasarımında R, v (P (12)) ve S, v (P (21)) ‘dir, burada v (P (12)) ve v (P (21)) (2.24)’ te tanımlanmıştır. SG tasarımında, R, v (P) ‘dir ve S yoktur (SG Tasarımı için Tasarım Fonksiyonunun tanımı için v (P)’ nin tanımı için (2.7) ve (2.8) ve (2.13) ‘e bakın). SG Tasarımını takip edenlere uydurmak için SG Tasarımında S’nin r veya s üzerinde etkisi olmayan keyfi bir vektör olduğu konvansiyonunu yapıyoruz.
Bu bize dört tasarımın ortak bir çerçeveye entegre edilmesinin önemli bir sonucu olan Jacobian matrisi için doğru formülleri verecektir. NEAT Tasarım için P ve Q, v (P) ve v (Q) ‘nun vektörleştirilmiş versiyonları (2.33)’ te tanımlanmıştır.
JX R’nin boyutu olduğunda C matrisi (JX + KY) – (TX + TY) -matristir; KY, S’nin boyutu, TX, Rˆ ve TY’de tahmin edilen parametre sayısı Sˆ’da tahmin edilen parametre sayısıdır. Bu gösterimi, Bölüm 2’deki tüm tasarımları dahil etmek için kullanıyoruz.
Örneğin, EG Tasarımında JX = J ikenNEATDesignJX = JL.FortheSGDesignJX = JK ve KY keyfidir, çünkü S’dir. Tablo 5.2, Bölüm 2 ve 3’teki notasyonu ve ayrıca JX ve KY, veTX veTY değerlerini kullanarak tasarımların her birinde CR ve CS’nin yorumlanmasını tanımlar.
Cr ve Cs matrisleri Teorem 3.1’de açıklanmıştır ve Bölüm 3.2’de açıklanan tek değişkenli ön düzeltme prosedürünün çıktısının bir parçasıdır. CP, CQ, C (12) ve C (21) matrisleri de Teorem 3.1 tarafından açıklanmıştır ve bunlar Ek B’de özetlenen iki değişkenli ön düzeltme prosedürünün parçasıdır.
Kernel Nedir
Linux kernel
What is kernel
Kernel Ne Demek
Windows kernel
Android kernel
İşletim sistemlerinde çekirdeğin kernel görevi Nedir
Linux kernel download
Karekökü SEEY (x) olan asemptotik varyansı, Var (eˆY (x)) hesaplamak için Ek A’da açıklanan δ yöntemini kullanıyoruz. Δ-yöntemini kullanmak için üç bileşene ihtiyacımız var. İlki, (4.31) ‘de tanımlanan denkleme fonksiyonunun Jakoben matrisi olan JeY ile gösterilir.
Jacobian, JeY, bir (1 × (J + K)) – r ve s’nin her bir bileşenine göre girişleri eY (x; r, s) ‘nin ilk türevleri olan bir satır vektörüdür, yani ∂eY / is rj ve ∂eY / ∂sk. JeY dizisi, veri toplama tasarımına bağlı değildir ve tüm KE eşitleme fonksiyonları için aynı forma sahiptir.
Var (eˆY (x)) ‘i hesaplamak için gereken ikinci bileşen, Tasarım Fonksiyonu JDF’nin Jacobian matrisidir. Bu Jacobian, veri toplama tasarımına bağlıdır. DF, EG, SG ve CB Tasarımlarında olduğu gibi doğrusal bir dönüşüm olduğunda, Jacobian, Tasarım İşlevini belirten matris ile aynıdır.
NEAT Design için Post-Stratification Equating’de, DF doğrusal olmayan bir fonksiyondur ve Jacobian’ı, (2.60) ‘da verilen v (P) ve v (Q) öğelerine göre r ve s türevlerinin hesaplanmasını gerektirir. ve (2.61). Bu Jacobian Tablo 5.4’te verilmiştir.
JeY’nin bir vektör olduğunu unutmayın, çünkü eY (x) gerçek değerli bir fonksiyondur, JDF ise (J + K) × (JX + KY) boyut matrisidir. Matris türevlerinin gösterimini kullanarak (Ek D’ye bakınız) JeY ve JDF’yi ifade edebiliriz.
(5.9) ve (5.10) ‘daki matris türevleri aşağıdaki boyutlara sahiptir: ∂eY / ∂r, J’ye göre 1 ve ∂eY / ∂s, K’ye göre 1’dir (böylece JeY, 1 × (J + K)’ dir); ∂r / ∂R, JX’e göre J’dir ve ∂r / ∂S KY’ye göre J’dir; ∂s / ∂R, JX’e göre K’dir ve ∂s / ∂S, KY’ye göre K’dir. Aşağıdaki Bölüm 5.3.1’de (5.9) ve (5.10) ‘dan yararlanacağız.
V ar (eˆY (x)) hesaplamasındaki son bileşen, veri toplama tasarımı ile elde edilen önceden düzeltilmiş puan frekanslarının asimptotik kovaryans matrisidir. Bu kovaryans matrisinden ve (5.8) ‘de verilen anahtar matris çarpanlarına daha önce değinmiştik.
Teorem 5.1’deki önceden düzeltilmiş puan dağılımlarının kovaryans matrisinin C-matrisi çarpanlarına ayırmasını kullanacağız.
Bir sonraki teorem, bu çalışmada kullanılan tüm tasarımları dahil etmek için sonuçlarımızın en genel şeklini verir.
JeY JDFC vektörü, genellikle şu ana kadar tartışmada ortaya çıkan diğerlerinin çoğundan önemli ölçüde daha küçüktür. Sadece ön düzeltme adımında verilerin uydurulmasında kullanılan parametre sayısı kadardır. İfade (5.14) önemli bir sonuçtur. Var (eˆY (x)) ‘i JeY, JDF ve C cinsinden ifade eder. Bunlardan ikisi veri toplama tasarımına, JDF ve C’ye bağlıdır, JeY ise böyle değildir. Δ yöntemi bu şekilde “sorunu üçe böler.”
JeY JDFC vektörü, analizimizde o kadar önemlidir ki, ona özel bir ad, SE-vektörü veriyoruz. SE-vektörü, bu çalışmada ortaya çıkan GDA’ları ve SEED’leri hesaplamak için kullanılır.
JDFC ürünü, eşitleme tasarımının varyansa katkısını temsil ederken, JeY, hX ve hY bant genişliği seçiminin ve eˆY (x) ‘in nihai hesaplamasının katkısını temsil eder. EˆY (x) ‘i eşitlemenin standart hatası sadece SE-vektörünün uzunluğudur.
Kernel Eşitleme için SEE ve SEED
Bu bölümde EG, SG ve CB Tasarımları için ve NEAT Tasarımındaki Tabakalaşma Sonrası Eşitleme (PSE) için SEE’yi türetiyoruz. Bunu Teorem 5.1’deki genel sonucu (5.14) bu tasarım ve yöntemlerin her birine uygulayarak yapıyoruz. 5.3.1 ve 5.3 2 alt bölümleri GDA ile ilgilidir, 5.3.3 alt bölümü ise SEED’in durumuna göre bu bölümlerin sonuçlarını değiştirmektedir. NEAT Tasarımda SEE ve SEED for Chain Equating, Bölüm 5.4’te ele alınmaktadır.
Kernel Eşitlemesi için JeY Hesaplama
Bu alt bölümde JeY’yi nasıl hesaplayacağımızı gösteriyoruz ve bunu iki adımda yapıyoruz: Birincisi, yeterince sorunsuz bir şekilde devam ettirilen herhangi bir cdf, F ve G için eş merkezli eşitleme fonksiyonunun türevlerini hesaplıyoruz.İkincisi, spesifik için türevleri hesaplayacağız KE’de kullanılan F ve G olur.
