Domande taggate «maximum-likelihood»

un metodo per stimare i parametri di un modello statistico scegliendo il valore del parametro che ottimizza la probabilità di osservare il campione dato.

1
Quando la distribuzione del campionamento frequentista non può essere interpretata come posteriore bayesiana nelle impostazioni di regressione?
Le mie attuali domande sono negli ultimi due paragrafi, ma per motivarle: Se sto tentando di stimare la media di una variabile casuale che segue una distribuzione normale con una varianza nota, ho letto che mettere una divisa prima della media si traduce in una distribuzione posteriore che è proporzionale …
2
Stimatore non distorto per il modello AR (
Considera un modello AR ( ) (presupponendo media zero per semplicità):ppp xt=φ1xt−1+…+φpxt−p+εtxt=φ1xt−1+…+φpxt−p+εt x_t = \varphi_1 x_{t-1} + \dotsc + \varphi_p x_{t-p} + \varepsilon_t Lo stimatore OLS (equivalente allo stimatore della massima verosimiglianza condizionale ) per è noto per essere distorto, come notato in un recente thread .φ:=(φ1,…,φp)φ:=(φ1,…,φp)\mathbf{\varphi} := (\varphi_1,\dotsc,\varphi_p) (Curiosamente, …
1
Il MLE di asintoticamente normale quando ?
Supponiamo che abbia il pdf(X,Y)(X,Y)(X,Y) fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0f_{\theta}(x,y)=e^{-(x/\theta+\theta y)}\mathbf1_{x>0,y>0}\quad,\,\theta>0 La densità del campione è quindi ricavata da questa popolazione(X,Y)=(Xi,Yi)1≤i≤n(X,Y)=(Xi,Yi)1≤i≤n(\mathbf X,\mathbf Y)=(X_i,Y_i)_{1\le i\le n} gθ( x , y )= ∏i = 1nfθ( xio, yio)= exp[ - ∑i = 1n( xioθ+ θ yio) ] 1X1, ... , xn, y1, ... , yn> 0= exp[ …
1
Trova la MVUE unica
Questa domanda è tratta dall'Introduzione alla statistica matematica di Robert Hogg, problema della sesta versione 7.4.9 a pagina 388. Lascia che sia iid con pdf zero altrove, dove .X1,...,XnX1,...,XnX_1,...,X_nf(x;θ)=1/3θ,−θ<x<2θ,f(x;θ)=1/3θ,−θ<x<2θ,f(x;\theta)=1/3\theta,-\theta0 (a) Trova il mle diθ^θ^\hat{\theta}θθ\theta (b) una statistica sufficiente per ? Perché ?θ^θ^\hat{\theta}θθ\theta (c) È la MVUE unica di ? Perché …
1
Derivazione della funzione di probabilità per IV-probit
Quindi ho un modello binario in cui è la variabile latente non osservata e l'osservato. determina e è quindi il mio strumento. Quindi in breve il modello è. Poiché i termini di errore non sono indipendenti ma, Uso un modello IV-probit.y∗1y1∗y_1^*y1∈{0,1}y1∈{0,1}y_1 \in \{0,1\}y2y2y_2y1y1y_1z2z2z_2y∗1y2y1===δ1z1+α1y2+u1δ21z1+δ22z2+v2=zδ+v21[y∗>0]y1∗=δ1z1+α1y2+u1y2=δ21z1+δ22z2+v2=zδ+v2y1=1[y∗>0]\begin{eqnarray} y_1^*&=& \delta_1 z_1 + \alpha_1 y_2 + …
2
Qual è la stima della massima verosimiglianza della covarianza dei dati normali bivariati quando si conoscono media e varianza?
Supponiamo di avere un campione casuale da una distribuzione normale bivariata che ha zero come mezzo e uno come varianza, quindi l'unico parametro sconosciuto è la covarianza. Qual è il MLE della covarianza? So che dovrebbe essere qualcosa come ma come facciamo a saperlo?1nΣnj = 1Xjyj1nΣj=1nXjyj\frac{1}{n} \sum_{j=1}^{n}x_j y_j
1
Come posso incorporare un valore anomalo innovativo all'osservazione 48 nel mio modello ARIMA?
Sto lavorando su un set di dati. Dopo aver usato alcune tecniche di identificazione del modello, sono uscito con un modello ARIMA (0,2,1). Ho usato la detectIOfunzione nel pacchetto TSAin R per rilevare un valore anomalo innovativo (IO) alla 48a osservazione del mio set di dati originale. Come posso incorporare …
10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.