Tez Danışmanlığı – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

NEAT tasarımında CE ve PSE arasında rasyonel olarak seçim yapmak için tek bir fikrimiz kaldı. Ancak, nispeten denenmemiş bir fikir olduğu için burada sadece kısaca özetleyeceğiz. Bölüm 1.1’de bahsedilen test eşitlemesinin beş “gerekliliğine” dönüyoruz. Nüfus Değişmezliği Gereksinimi, eşitleme fonksiyonlarının hesaplandıkları popülasyona bağlı olmaması gerektiğini söyler. Aslında, her zaman bir dereceye kadar nüfusa bağlıdırlar (Dorans ve Holland, 2000).

Bununla birlikte, CE ve PSE’nin hedef popülasyon seçimine duyarlılıkları farklılık gösteriyorsa, T’ye daha az duyarlı olan eşitleme yöntemini seçmenin NEAT Tasarımında CE ve PSE arasında seçim yapmak için rasyonel bir temel olduğunu öneriyoruz. Ancak, bu hassasiyeti ölçmek için T = wP + (1 – w) Q kullanamayız çünkü (a) CE böyle bir T için aynı sonucu verir ve (b) Bölüm 11.5’te gördüğümüz gibi w çok az şey yapar bu örnekte PSE için fark. Bununla birlikte, hem P hem de Q’nun ilgili alt popülasyonlarını bulabiliriz (örneğin, erkeklere karşı dişiler, vb.) Ve bunları kullanabiliriz.

Böylece, P ve Q’yu birbirini dışlayan ve kapsamlı alt popülasyona, {Pk} ve {Qk} ‘ye bölebilir ve Tk = wPk + (1 – w) Qk olarak tanımlayabiliriz. Bu gösterimde, Pk ve Qk’nin P ve Q’da aynı türden muayene olduğunu ima etmek istiyoruz (örneğin, P’deki erkekler ve Q’daki erkekler). Daha sonra CE ve PSE’nin Tk seçimine olan duyarlılığını inceleyebiliriz. Bu hassasiyet, (a) testler ve A arasındaki korelasyon veya (b) A’nın dağılımları açısından P ve Q arasındaki fark gibi faktörlere bağlı olarak örnekten örneğe değişebilir.

CE’nin daha az hassas olduğu ve PSE’nin olduğu başka bir örneğimiz olabilir. Von Davier ve ark. (2003), Dorans ve Holland (2000) ‘da önerilen gözlemlenen puan eşitleme işlevlerinin popülasyon duyarlılığının ölçüsünü kullanarak bu fikri keşfetmeye başladık. Biz bu çalışmayı ümit verici bulsak da, hala açık bir araştırma konusu ve ek araştırmalar için olgunlaşmış bir alandır.

Tez danışmanlığı
Tez danışmanlığı ücreti
En iyi tez danışmanlık
Tez danışmanlığı Nedir
Tez danışmanının görevleri
Tez danışmanı kavga
İkinci tez danışmanı
Tez danışmanlığı YÖNETMELİĞİ

CE ve PSE’nin Tk seçimine duyarlılıkları ile kolayca ayırt edilemediği ortaya çıkarsa, güvenilir şekilde farklı sonuçlar verdikleri hiçbir örnekte CE ve PSE arasında seçim yapmanın kolay bir yolunu görmüyoruz. CE1 ve CE2’nin PSE1 ve PSE2’ye karşı olasılığına olan inancı, bu önemli yargıyı yapmak için geriye kalan tek dayanak olarak görünmektedir. Bu “sezgisel” yaklaşımı geliştirmek, daha fazla araştırmaya değer bir konudur.

İstatistiğin varyansına büyük örneklem yaklaşımlarının hesaplanması için δ yöntemi, kanıt olmadan belirttiğimiz aşağıdaki teoremi temel alır – bkz. Rao (1973), Bishop ve diğerleri. (1975), Lehmann (1999) veya von Davier (2001), daha fazla ayrıntı içindir.

Teorem A.1. IRm’nin boş olmayan açık bir alt kümesi olan aynı parametre alanı Θ ile n ∈ IN (genellikle örnek boyutu) tarafından indekslenmiş bir istatistiksel model dizisi verildiğini varsayalım. Θ􏰙n bir vektör istatistikleri dizisi olsun, öyle ki ymn, θ için asimptotik olarak Normal bir tahmin edicidir, yani,

n θn − θ – → N 0, Σ (θ) ∀θ∈Θ,

burada N 0, Σ (θ) sıfır beklentisi ve kovaryans matrisi Σ (θ) ile çok değişkenli Normal dağılımı gösterir. Θ R’nin bir R fonksiyonu düşünün:, – → IRp,

p ≤ m ile ve R’nin Θ üzerinde sürekli türevlenebilir olduğunu varsayalım. JR (θ) ile, Jacobian matrisini R at θ, yani p x m matrisini belirtiriz, yani burada i = 1, …, p ve j = 1, …, m. Daha sonra √n (R (θˆn) – R (θ)) dağılımı N (0, (JR (θ) Σ (θ) JR (θ) t) yasasına yakınsar, burada JR (θ) Jacobian matrisidir (A.1) 

Bu sonuç genellikle, θˆ (θ) küçükken θˆn yaklaşık bir N (0, Σ (θ)) dağılımına sahipse, R (θˆn) yaklaşık bir N 􏰀0, ∂R / ∂θΣ ( θ) ∂R / ∂θt􏰉 dağılımıdır.

Tek değişkenli yumuşatma için yaptığımız gibi, önce veriler ve model hakkındaki varsayımları açıklayacağız. Verilerin, iki değişkenli düzleştirmeyi göstermek için Tek Grup Tasarımından toplandığını varsayıyoruz.

Örnek seviye. Örnek veriler, (X, Y) -frekanslarından, (njk) = X = xj ve Y = yk ile sınava girenlerin sayısı, j = 1, …, J ve k = 1, …, K ile. n = (n11, …, nJK) t, JK- iki değişkenli frekansların sütun vektörü. Örneklem büyüklüğü N = j njk’dir.

Ham örnek frekansları, rˆ ve jkjk j’yi hesaplamak için iki değişkenli olasılıkları tahmin etmek için kullanılabilir, p = Prob (X = x, Y = y | T) sˆk. Bununla birlikte, bu ham numune frekansları, N’nin çok büyük olduğu durumlar dışında, nadiren dahil olan tüm olasılıklara ilişkin tatmin edici tahminler verecektir.

B = 0 olduğunda, bu, sıra puanlarının dağılımının atlet anıdır ve a = 0 ise, bu, sütun puanlarının dağılımının binci momentidir. A ve b’nin her ikisi de pozitif olduğunda, bunlar satır ve sütun puanlarının ortak dağılımının çapraz momentleridir, örneğin, eğer a = b = 1 ise, bu, iki puan arasındaki kovaryans ve korelasyon ile ilgili çapraz momenttir.

Log-lineer modelleri Bölüm 3.1’e benzer bir şekilde uydurarak iki değişkenli frekansları önceden düzeltmenizi öneririz. İki değişkenli durumu tek değişkenli çerçeveye koymak için, P = (p1, p2, …, pK) (B.3) olsun, burada pk, P’nin kinci sütununu gösterir. Sonra P’nin JK boyutlu vektörleştirilmiş versiyonunu şekilde tanımlayın.

v (P), P’nin sütunlarının üst üste yığılmasıyla oluşur.

Model seviyesi. İki değişkenli popülasyon parametrelerini, P = (pjk) tahmin etmek için, ilk önce tek değişkenli durum için açıklanan araçları kullanarak iki değişkenli dağılımın iki tek değişkenli marjinal dağılımları için tatmin edici modeller buluyoruz.

Bu yapıldıktan sonra, marjinal dağılımlar için iki model tarafından belirtilen yeterli istatistiğe sahip iki değişkenli dağılıma bir model uydururuz ve sonra bu modellere hem xj hem de yk içeren terimleri içeren parametreler ekleriz – örneğin, aşağıda (B.6) ile belirtilen modeldeki son terimdir.