Preguntas etiquetadas con likelihood

Actualmente estoy trabajando con las cadenas de Markov y calculé la estimación de máxima verosimilitud usando probabilidades de transición según lo sugerido por varias fuentes (es decir, el número de transiciones de a a b dividido por el número de transiciones generales de a a otros nodos). Ahora quiero calcular …

9 maximum-likelihood  markov-process  likelihood 

Tengo una pregunta generalmente básica que hacer aquí que me ha estado preocupando por un tiempo. A través de la mayoría de mis lecturas de estadísticas bayesianas, se afirmaba de hecho que la probabilidad marginal a menudo es intratable o difícil de estimar. ¿Por qué? Las razones a menudo expresadas …

9 bayesian  inference  likelihood 

Estoy luchando con la implementación del estimador de máxima verosimilitud para un proceso de Hawkes (HP) multivariante. Específicamente, aunque la expresión analítica para una función de probabilidad logarítmica de un HP univariante se puede encontrar fácilmente en línea (por ejemplo, Ozaki, 1979), parece haber versiones diferentes (¿inconsistentes o equivalentes?) De …

9 maximum-likelihood  stochastic-processes  likelihood 

En el contexto de la inferencia basada en la probabilidad, he visto alguna notación sobre los parámetros de interés que he encontrado un poco confusa. Por ejemplo, notación como y .pθ(x)pθ(x)p_{\theta}(x)Eθ[S(θ)]Eθ[S(θ)]{\mathbb E}_{\theta}\left[S(\theta)\right] ¿Cuál es el significado del parámetro ( ) en la notación de subíndice anterior? En otras palabras, ¿cómo …

9 expected-value  pdf  likelihood  notation 

Tengo una probabilidad bastante plana de que el muestreador Metropolis-Hastings se mueva a través del espacio de parámetros de forma muy irregular, es decir, no se puede lograr la convergencia sin importar los parámetros de distribución de la propuesta (en mi caso, es gaussiana). No hay una gran complejidad en …

9 mcmc  likelihood  posterior 

Tengo un modelo que va: Single parameter -> Complex likelihood function -> Log-likelihood. Ejecuté una cadena MCMC (usando pymc) y tracé el rastro del parámetro y la probabilidad logarítmica. La estimación del parámetro terminó siendo razonable, pero el gráfico de probabilidad de registro me parece extraño. La probabilidad de registro …

8 mcmc  likelihood 

Estoy interesado en comprender la diferencia entre la "probabilidad" de un evento aleatorio con una probabilidad particular de que ocurra la probabilidad exacta de que se diga que es probable. es decir, si un evento tiene una probabilidad de 1 en 10000, ¿cuál es la probabilidad de que en 10000 …

8 probability  likelihood 

Tengo dificultades con las probabilidades . Entiendo el teorema de Bayes p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B,H)=p(B|A,H)p(A|H)p(B|H)p(A|B, \mathcal{H}) = \frac{p(B|A, \mathcal{H}) p(A|\mathcal{H})}{p(B|\mathcal{H})} que puede deducirse directamente de la solicitud p(A,B)=p(B)⋅p(A|B)=p(A)p(B|A)=p(B,A)p(A,B)=p(B)⋅p(A|B)=p(A)p(B|A)=p(B,A)p(A,B) = p(B) \cdot p(A|B) = p (A) p(B|A) = p(B,A). Así, en mi interpretación, elp(⋅)p(⋅)p(\cdot)Las funciones en el teorema de Bayes son de alguna manera …

8 probability  likelihood 

Mi proyecto actual puede requerir que construya un modelo para predecir el comportamiento de un determinado grupo de personas. el conjunto de datos de entrenamiento contiene solo 6 variables (la identificación es solo para fines de identificación): id, age, income, gender, job category, monthly spend en el cual monthly spendestá …

8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 

Tengo algunos problemas para comprender el concepto y la derivación de la probabilidad de datos truncados. Por ejemplo, si quiero encontrar la función de probabilidad basada en una muestra de una distribución, pero al tomar una muestra de la distribución, observo los valores truncados (donde hay un corte de , …

8 dataset  likelihood 

Estoy tratando de calcular esta distribución posterior: (θ|−)=∏ni=1pyii(1−pi)1−yi∑allθ,pi|θ∏ni=1pyii(1−pi)1−yi(θ|−)=∏i=1npiyi(1−pi)1−yi∑allθ,pi|θ∏i=1npiyi(1−pi)1−yi (\theta|-)=\frac{\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}}{\sum_{\text{all}\,\theta,p_i|\theta}\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}} El problema es que el numerador, que es el producto de un montón de probabilidades es demasiado pequeño. (Mi es grande, alrededor de 1500).Bernoulli(pi,yi)Bernoulli(pi,yi)\text{Bernoulli}(p_i,y_i)nnn Por lo tanto, los valores posteriores para all se calculan como 0 (estoy haciendo cálculos en R).θθ\theta …

8 r  likelihood  posterior 

Tengo un conjunto variable de respuestas que se expresan como un intervalo, como la muestra a continuación. > head(left) [1] 860 516 430 1118 860 602 > head(right) [1] 946 602 516 1204 946 688 donde izquierda es el límite inferior y derecha es el límite superior de la respuesta. …

8 r  maximum-likelihood  likelihood  lognormal  interval-censoring 

¿Cómo completo el cuadrado desde el punto donde lo dejé y es correcto hasta ahora? Tengo un previo normal para ββ\beta de la forma p(β|σ2)∼N(0,σ2V)p(β|σ2)∼N(0,σ2V)p(\beta|\sigma^2)\sim \mathcal{N}(0,\sigma^2V), Llegar: p(β|σ2)=(2πσ2V)p2exp[−12σ2βTβ]p(β|σ2)=(2πσ2V)p2exp⁡[−12σ2βTβ]p(\beta|\sigma^2)=(2\pi\sigma^2V)^\frac{p}{2}\exp[-\frac{1}{2\sigma^2}\beta^T\beta] dónde βTββTβ\beta^T\betaes .∑i=1pβ2i∑i=1pβi2\sum\limits_{i=1}^p \beta_i^2 Mi probabilidad tiene una distribución normal para los puntos de datos y de la formap(y|β,σ2)∼N(Bβ,σ2I)p(y|β,σ2)∼N(Bβ,σ2I)p(y|\beta,\sigma^2)\sim\mathcal{N}(B\beta,\sigma^2I) p(y|β,σ2)=(2πσ2V)n2exp[−12σ2(y−Bβ)T(y−Bβ)]p(y|β,σ2)=(2πσ2V)n2exp⁡[−12σ2(y−Bβ)T(y−Bβ)]p(y|\beta,\sigma^2)=(2\pi \sigma^2V)^\frac{n}{2}\exp[-\frac{1}{2\sigma^2}({\bf y}-{\bf …

8 bayesian  normal-distribution  prior  likelihood