Preguntas etiquetadas con likelihood

Esta pregunta está motivada por esta . Busqué dos fuentes y esto es lo que encontré. A. van der Vaart, Estadísticas asintóticas: Rara vez es posible calcular explícitamente la probabilidad de un perfil, pero su evaluación numérica a menudo es factible. Entonces, la probabilidad de perfil puede servir para reducir …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

¿Cómo funciona realmente la estimación de parámetros / Entrenamiento de regresión logística? Trataré de poner lo que tengo hasta ahora. La salida es y la salida de la función logística en forma de probabilidad dependiendo del valor de 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}} Para una dimensión, las llamadas Probabilidades se definen de …

12 regression  logistic  likelihood 

Tengo un conjunto de datos muy grande y faltan alrededor del 5% de valores aleatorios. Estas variables están correlacionadas entre sí. El siguiente conjunto de datos R de ejemplo es solo un ejemplo de juguete con datos correlacionados ficticios. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace …

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 

Si alguien dijera "Ese método utiliza el MLE, la estimación puntual para el parámetro que maximiza , por lo tanto, es frecuentista; y además no es bayesiano".P ( x | θ )P(x|θ)\mathrm{P}(x|\theta) estarías de acuerdo? Actualización sobre los antecedentes : Hace poco leí un artículo que dice ser frecuente. No …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

Podemos escribir el teorema de Bayes como 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} donde es la posterior, es la distribución condicional y es la anterior.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} donde es la posterior, es la función de probabilidad y es la anterior.L …

12 bayesian  likelihood 

Estoy usando el filtro de Kalman de una manera muy estándar. El sistema está representado por la ecuación de estado xt+1=Fxt+vt+1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1} y la ecuación de observación yt=Hxt+Azt+wtyt=Hxt+Azt+wty_{t}=Hx_{t}+Az_{t}+w_{t} . Los libros de texto enseñan que después de aplicar el filtro de Kalman y conseguir las "previsiones de un solo paso-a x^t|t−1x^t|t−1\hat{x}_{t|t-1} …

11 likelihood  kalman-filter 

Según el teorema de Bayes, . Pero de acuerdo con mi texto econométrico, dice que P ( θ | y ) ∝ P ( y | θ ) P ( θ ) . ¿Por qué es como este? No entiendo por qué se ignora P ( y ) .PAG( yEl …

11 bayesian  conditional-probability  likelihood 

En general maximizamos una función L ( θ ;X1, ... ,Xnorte) =∏i = 1norteF(Xyo∣ θ )L(θ;x1,…,xn)=∏i=1nf(xi∣θ) L(\theta; x_1, \ldots, x_n) = \prod_{i=1}^n f(x_i \mid \theta) donde es función de densidad de probabilidad si la distribución subyacente es continua, y una función de masa de probabilidad (con suma en lugar de …

11 mathematical-statistics  maximum-likelihood  likelihood  mixture 

Simplemente estoy tratando de recalcular con dnorm () la probabilidad de registro proporcionada por la función logLik de un modelo lm (en R). Funciona (casi perfectamente) para un gran número de datos (por ejemplo, n = 1000): > n <- 1000 > x <- 1:n > set.seed(1) > y <- …

10 r  generalized-linear-model  likelihood  lm 

Hay muchas preguntas (como esta ) sobre cierta ambigüedad con la fórmula bayesiana en 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)} A menudo, la confusión surge del hecho de que la definición de distribución condicional se explica como siendo función de la dada un fijo .f(variable|parameter)f(variable|parameter)f(variable …

10 distributions  bayesian  conditional-probability  likelihood 

Esta pregunta surgió en clase: si usamos valores p para evaluar hipótesis en un experimento, ¿qué parte del Principio de Probabilidad no estamos obedeciendo: Suficiencia o Condicionalidad ? Mi intuición sería decir Suficiencia , ya que calcular un valor p se basa en resultados no observados de un experimento, y …

9 likelihood  philosophical  likelihood-principle 

¿Cómo interpreta una curva de supervivencia del modelo de riesgo proporcional de Cox? En este ejemplo de juguete, supongamos que tenemos un modelo de riesgo proporcional de Cox ageen kidneydatos variables y generamos la curva de supervivencia. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Por ejemplo, en el …

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 

En filogenética, los árboles filogenéticos a menudo se construyen usando MLE o análisis bayesiano. A menudo, se utiliza un previo plano en la estimación bayesiana. Según tengo entendido, una estimación bayesiana es una estimación de probabilidad que incorpora un previo. Mi pregunta es, si usa un plano anterior, ¿es diferente …

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

De "En toda probabilidad: modelado estadístico e inferencia usando probabilidad" por Y. Pawitan, la probabilidad de una nueva parametrización se define como modo que si g es uno a uno, entonces L ^ * (\ psi) = L (g ^ {- 1} (\ psi)) (p. 45). Estoy tratando de mostrar …

9 mathematical-statistics  inference  likelihood  fisher-information 

Estoy tratando de calcular la probabilidad marginal de un modelo estadístico por los métodos de Monte Carlo: F( x ) = ∫F( x ∣ θ ) π( θ )reθF(X)=∫F(X∣θ)π(θ)reθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta La probabilidad es de buen comportamiento - suave, cóncavo logarítmico - pero de alta dimensión. He …

9 monte-carlo  likelihood  marginal