Preguntas etiquetadas con asymptotics

La teoría asintótica estudia las propiedades de los estimadores y las estadísticas de prueba cuando el tamaño de la muestra se aproxima al infinito.

1
¿Hay algún resultado que proporcione que el bootstrap sea válido si y solo si la estadística es uniforme?
En todo momento suponemos que nuestra estadística es una función de algunos datos que se extrae de la función de distribución ; La función de distribución empírica de nuestra muestra es . Entonces es la estadística vista como una variable aleatoria y es la versión de arranque de la estadística. …
2
¿Por qué la prueba de 1938 de Wilks no funciona para modelos mal especificados?
En el famoso artículo de 1938 (" La distribución de la muestra grande de la razón de probabilidad para probar hipótesis compuestas ", Annals of Mathematical Statistics, 9: 60-62), Samuel Wilks derivó la distribución asintótica de 2×LLR2×LLR2 \times LLR (relación de probabilidad logarítmica ) para hipótesis anidadas, bajo el supuesto …
4
¿Cómo proyectar un nuevo vector en el espacio PCA?
Después de realizar el análisis de componentes principales (PCA), quiero proyectar un nuevo vector en el espacio PCA (es decir, encontrar sus coordenadas en el sistema de coordenadas PCA). He calculado PCA en lenguaje R usando prcomp. Ahora debería poder multiplicar mi vector por la matriz de rotación PCA. ¿Deben …
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 
5
Cuando el Teorema del límite central y la Ley de grandes números no están de acuerdo
Esto es esencialmente una réplica de una pregunta que encontré en math.se , que no obtuvo las respuestas que esperaba. Sea una secuencia de variables aleatorias independientes, distribuidas idénticamente, con y .{Xi}i∈N{Xi}i∈N\{ X_i \}_{i \in \mathbb{N}}E[Xi]=1E[Xi]=1\mathbb{E}[X_i] = 1V[Xi]=1V[Xi]=1\mathbb{V}[X_i] = 1 Considere la evaluación de limn→∞P(1n−−√∑i=1nXi≤n−−√)limn→∞P(1n∑i=1nXi≤n) \lim_{n \to \infty} \mathbb{P}\left(\frac{1}{\sqrt{n}} \sum_{i=1}^n …
3
¿Por qué el CLT no funciona para
Entonces sabemos que una suma de nnn poissons con parámetro λλ\lambda es en sí misma un poisson con nλnλn\lambda . Hipotéticamente, uno podría tomar x∼poisson(λ=1)x∼poisson(λ=1)x \sim poisson(\lambda = 1) y decir que en realidad es ∑n1xi∼poisson(λ=1)∑1nxi∼poisson(λ=1)\sum_1^n x_i \sim poisson(\lambda = 1) donde cada xixix_i es: xi∼poisson(λ=1/n)xi∼poisson(λ=1/n)x_i \sim poisson(\lambda = 1/n) …
2
La matriz de información observada es un estimador consistente de la matriz de información esperada?
Estoy tratando de demostrar que la matriz de información observada evaluada en el estimador de máxima verosimilitud débilmente consistente (MLE), es un estimador débilmente consistente de la matriz de información esperada. Este es un resultado ampliamente citado, pero nadie da una referencia o una prueba (creo que he agotado las …
2
Derivación de la transformación de normalización para GLM
\newcommand{\E}{\mathbb{E}} ¿Cómo es la transformación normalizadora A ( ⋅ ) = ∫ d uV 1 / 3 ( μ )A(⋅)=∫duV1/3(μ)A(\cdot) = \displaystyle\int\frac{du}{V^{1/3}(\mu)} para la familia exponencial ¿derivado? Más específicamente : intenté seguir el boceto de expansión de Taylor en la página 3, diapositiva 1 aquí, pero tengo varias preguntas. Con …
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.