Data una variabile casuale derivante da una distribuzione parametrizzata F (X; θ) , la probabilità è definita come la probabilità di dati osservati in funzione di θ: \ text {L} (θ) = \ text {P} (θ ; x = x)XF( X; θ )θ :L( θ )=P( θ ;X= x )
Questa domanda è motivata da questa . Ho cercato due fonti e questo è quello che ho trovato. A. van der Vaart, Statistiche assintotiche: Raramente è possibile calcolare esplicitamente la probabilità di un profilo, ma la sua valutazione numerica è spesso fattibile. Quindi la probabilità del profilo può servire a …
Come funziona davvero la stima dei parametri / Formazione della regressione logistica? Proverò a mettere quello che ho finora. L'output è y l'output della funzione logistica in forma di probabilità a seconda del valore di x: P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) P(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1-P(y=1|x)=1-{1\over1+e^{-\omega^Tx}} Per una dimensione le cosiddette quote sono definite come segue: p(y=1|x)1−p(y=1|x)=p(y=1|x)p(y=0|x)=eω0+ω1xp(y=1|x)1−p(y=1|x)=p(y=1|x)p(y=0|x)=eω0+ω1x{{p(y=1|x)}\over{1-p(y=1|x)}}={{p(y=1|x)}\over{p(y=0|x)}}=e^{\omega_0+\omega_1x} Ora …
Ho un set di dati molto grande e mancano circa il 5% di valori casuali. Queste variabili sono correlate tra loro. Il seguente set di dati R è solo un esempio di giocattolo con dati correlati fittizi. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), …
Se qualcuno ha detto "Questo metodo utilizza il MLE la stima puntuale per il parametro che massimizza , quindi è frequentista; e inoltre non è bayesiano."P ( x | θ )P(x|θ)\mathrm{P}(x|\theta) sei d'accordo? Aggiornamento sullo sfondo : di recente ho letto un documento che afferma di essere frequentatore. Non sono …
Possiamo scrivere il teorema di Bayes come p(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} dove è il posteriore, è la distribuzione condizionale e è il precedente.f ( X | θ ) p ( θ )p(θ|x)p(θ|x)p(\theta|x)f(X|θ)f(X|θ)f(X|\theta)p(θ)p(θ)p(\theta) o p(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(\theta|x) = \frac{L(\theta|x)p(\theta)}{\int_{\theta} L(\theta|x)p(\theta)d\theta} dove è il posteriore, è la funzione di probabilità e è il precedente.p(θ|x)p(θ|x)p(\theta|x)L(θ|x)L(θ|x)L(\theta|x)p(θ)p(θ)p(\theta) …
Sto usando il filtro Kalman in un modo molto standard. Il sistema è rappresentato dall'equazione di stato e dall'equazione di osservazione .xt+1=Fxt+vt+1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1}yt=Hxt+Azt+wtyt=Hxt+Azt+wty_{t}=Hx_{t}+Az_{t}+w_{t} I libri di testo insegnano che dopo aver applicato il filtro Kalman e aver ottenuto le "previsioni a un passo" (o "stima filtrata"), dovremmo usarli per calcolare la …
Secondo il teorema di Bayes, . Ma secondo il mio testo econometrico, dice che . Perché è così? Non capisco perché sia ignorato.P ( θ | y ) ∝ P ( y | θ ) P ( θ ) P ( y )P( y| θ)P( θ ) = P( θ …
Sto semplicemente cercando di ricalcolare con dnorm () la verosimiglianza log fornita dalla funzione logLik da un modello lm (in R). Funziona (quasi perfettamente) per un elevato numero di dati (ad es. N = 1000): > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 + …
Ci sono molte domande (come questa ) su alcune ambiguità con la formula bayesiana in caso continuo. p ( θ | x ) =p ( x | θ ) ⋅ p ( θ )p ( x )p(θ|x)=p(x|θ)⋅p(θ)p(x)p(\theta | x) = \frac{p(x | \theta) \cdot p(\theta)}{p(x)} Spesso, la confusione deriva dal …
Questa domanda è emersa in classe: se utilizziamo i valori p per valutare le ipotesi su un esperimento, a quale parte del Principio di verosimiglianza non stiamo obbedendo: sufficienza o condizionalità ? La mia intuizione sarebbe quella di dire Sufficienza , dal momento che il calcolo di un valore p …
Come si interpreta una curva di sopravvivenza dal modello di rischio proporzionale cox? In questo esempio di giocattolo, supponiamo di avere un modello di rischio proporzionale cox su agevariabile nei kidneydati e generare la curva di sopravvivenza. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Ad esempio, al momento …
In filogenetica, gli alberi filogenetici sono spesso costruiti utilizzando MLE o analisi bayesiana. Spesso, nella stima bayesiana viene utilizzato un precedente piatto. A quanto ho capito, una stima bayesiana è una stima della probabilità che incorpora un precedente. La mia domanda è, se usi un flat flat, è diverso dal …
Sto cercando di calcolare la probabilità marginale per un modello statistico con i metodi Monte Carlo: f( x ) = ∫f( x ∣ θ ) π( θ )dθf(X)=∫f(X|θ)π(θ)dθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta La probabilità è ben educata - liscia, concava - ma ad alta dimensione. Ho provato il campionamento …
Attualmente sto lavorando con le catene di Markov e ho calcolato la stima della massima verosimiglianza utilizzando le probabilità di transizione come suggerito da diverse fonti (ovvero il numero di transizioni da a a diviso per il numero di transizioni complessive da a ad altri nodi). Ora voglio calcolare la …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.