Domande taggate «likelihood»

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 …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

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 …

12 regression  logistic  likelihood 

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), …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

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 …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

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) …

12 bayesian  likelihood 

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 …

11 likelihood  kalman-filter 

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 …

11 bayesian  conditional-probability  likelihood 

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 + …

10 r  generalized-linear-model  likelihood  lm 

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 …

10 distributions  bayesian  conditional-probability  likelihood 

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 …

9 likelihood  philosophical  likelihood-principle 

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 …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

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 …

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

θ↦g(θ)=ψθ↦g(θ)=ψ\theta\mapsto g(\theta)=\psig L * ( ψ ) = L ( g - 1 ( ψ ) ) θ g I * ( g ( θ ) ) = I ( θ ) | ∂ g ( θ )L∗(ψ)=max{θ:g(θ)=ψ}L(θ)L∗(ψ)=max{θ:g(θ)=ψ}L(θ) L^*(\psi)=\max_{\{\theta:g(\theta)=\psi\}} L(\theta) gggL*( ψ ) = L ( g- 1( ψ ) …

9 mathematical-statistics  inference  likelihood  fisher-information 

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 …

9 monte-carlo  likelihood  marginal 

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 …

9 maximum-likelihood  markov-process  likelihood