Preguntas etiquetadas con likelihood

¿Hay algún ejemplo en el que dos pruebas defendibles diferentes con probabilidades proporcionales conducirían a inferencias marcadamente diferentes (e igualmente defendibles), por ejemplo, donde los valores p son orden de magnitud muy separados, pero el poder de las alternativas es similar? Todos los ejemplos que veo son muy tontos, comparando …

20 mathematical-statistics  likelihood  philosophical  likelihood-principle 

En un comentario publicado recientemente aquí, un comentarista señaló un blog de Larry Wasserman que señala (sin ninguna fuente) que los choques de inferencia frecuente con el principio de probabilidad. El principio de probabilidad simplemente dice que los experimentos que producen funciones de probabilidad similares deberían producir una inferencia similar. …

19 inference  likelihood  frequentist  likelihood-principle 

Considere un vector de parámetros , con θ 1 el parámetro de interés y θ 2 un parámetro molesto.(θ1,θ2)(θ1,θ2)(\theta_1, \theta_2)θ1θ1\theta_1θ2θ2\theta_2 Si es la probabilidad construido a partir de los datos x , la probabilidad de perfil para θ 1 se define como L P ( θ 1 ; x ) …

19 maximum-likelihood  likelihood  profile-likelihood 

Estoy leyendo un artículo en el que los autores lideran una discusión sobre la estimación de máxima probabilidad del Teorema de Bayes, aparentemente como una introducción para principiantes. Como ejemplo de probabilidad, comienzan con una distribución binomial: p(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,\theta) = \binom{n}{x}\theta^x(1-\theta)^{n-x} y luego registrar ambos lados ℓ(θ|x,n)=xln(θ)+(n−x)ln(1−θ)ℓ(θ|x,n)=xln⁡(θ)+(n−x)ln⁡(1−θ)\ell(\theta|x, n) = x \ln …

19 bayesian  likelihood  definition  philosophical 

Estoy tratando de entender a un nivel más profundo la ubicuidad de la probabilidad logarítmica (y quizás más generalmente la probabilidad logarítmica) en estadística y teoría de la probabilidad. Las probabilidades de registro se muestran por todas partes: generalmente trabajamos con la probabilidad de registro para el análisis (por ejemplo, …

18 probability  bayesian  likelihood  log-likelihood 

A menudo se argumenta que el marco bayesiano tiene una gran ventaja en la interpretación (más frecuente), porque calcula la probabilidad de un parámetro dados los datos - lugar de como en el marco frecuentista. Hasta aquí todo bien.p(θ|x)p(θ|x)p(\theta|x)p(x|θ)p(x|θ)p(x|\theta) Pero, toda la ecuación se basa en: p(θ|x)=p(x|θ).p(θ)p(x)p(θ|x)=p(x|θ).p(θ)p(x)p(\theta|x) = {p(x|\theta) . …

18 bayesian  interpretation  prior  likelihood  posterior 

Actualmente trato de entender el Principio de Probabilidad y francamente no lo entiendo en absoluto. Por lo tanto, escribiré todas mis preguntas como una lista, incluso si esas podrían ser preguntas bastante básicas. ¿Qué significa exactamente la frase "toda la información" en el contexto de este principio? (como en toda …

17 bayesian  likelihood  likelihood-principle 

La esencia de mi pregunta es esta: Sea una variable aleatoria normal multivariante con media μ y matriz de covarianza Σ . Sea Z : = log ( Y ) , es decir, Z i = log ( Y i ) , i ∈ { 1 , ... , n …

17 data-transformation  aic  likelihood 

El cálculo bayesiano aproximado es una técnica realmente genial para ajustar básicamente cualquier modelo estocástico, destinado a modelos donde la probabilidad es intratable (por ejemplo, puede tomar muestras del modelo si fija los parámetros pero no puede calcular la probabilidad numérica, algorítmica o analíticamente ). Al presentar el cálculo bayesiano …

16 bayesian  simulation  model  likelihood  abc 

El proceso exponencial univariante de Hawkes es un proceso de puntos autoexcitante con una tasa de llegada de eventos de: λ(t)=μ+∑ti&lt;tαe−β(t−ti)λ(t)=μ+∑ti&lt;tαe−β(t−ti) \lambda(t) = \mu + \sum\limits_{t_i<t}{\alpha e^{-\beta(t-t_i)}} donde son las horas de llegada del evento.t1,..tnt1,..tn t_1,..t_n La función de probabilidad de registro es −tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln(μ+αe−β(tj−ti))−tnμ+αβ∑(e−β(tn−ti)−1)+∑i&lt;jln⁡(μ+αe−β(tj−ti)) - t_n \mu + \frac{\alpha}{\beta} \sum{( …

16 maximum-likelihood  stochastic-processes  likelihood 

Para un problema de inferencia dado, sabemos que un enfoque bayesiano generalmente difiere tanto en la forma como en los resultados de un enfoque fequentista. Los frecuentes (por lo general me incluyen a mí) a menudo señalan que sus métodos no requieren un previo y, por lo tanto, están más …

15 bayesian  inference  likelihood  likelihood-ratio  frequentist 

¿Cuál es el enfoque frecuente de la historia del voltímetro y sus variaciones? La idea detrás de esto es que un análisis estadístico que apela a eventos hipotéticos tendría que revisarse si luego se supiera que esos eventos hipotéticos no podrían haber tenido lugar como se suponía. La versión de …

15 likelihood  frequentist 

Esta pregunta se deriva de la pregunta: ¿ cuándo (si alguna vez) es un enfoque frecuentista sustancialmente mejor que un bayesiano? Como publiqué en mi solución a esa pregunta, en mi opinión, si usted es un frecuentista, no tiene que creer / adherirse al principio de probabilidad, ya que a …

14 bayesian  likelihood  likelihood-principle 

He escrito un código que puede hacer el filtrado de Kalman (utilizando varios filtros de tipo Kalman diferentes [Filtro de información et al.]) Para el Análisis de espacio de estado lineal gaussiano para un vector de estado n-dimensional. Los filtros funcionan muy bien y estoy obteniendo una buena salida. Sin …

13 maximum-likelihood  algorithms  kalman-filter  likelihood 

1. El problema Tengo algunas mediciones de una variable ytyty_t , donde t=1,2,..,nt=1,2,..,nt=1,2,..,n , para el cual tengo una distribución fyt(yt)fyt(yt)f_{y_t}(y_t) obtenida a través de MCMC, que por simplicidad supondré que es una gaussiana de media μtμt\mu_t y varianza σ2tσt2\sigma_t^2 . Tengo un modelo físico para esas observaciones, digamos g(t)g(t)g(t) …

13 time-series  mcmc  autoregressive  likelihood