Preguntas etiquetadas con unbiased-estimator

Sea una muestra aleatoria de una distribución para . Es decir,X1,...,XnX1,...,Xn X_1, ...,X_nGeometric(θ)Geometric(θ)Geometric(\theta)0&lt;θ&lt;10&lt;θ&lt;10<\theta<1 pθ(x)=θ(1−θ)x−1I{1,2,...}(x)pθ(x)=θ(1−θ)x−1I{1,2,...}(x)p_{\theta}(x)=\theta(1-\theta)^{x-1} I_{\{1,2,...\}}(x) Encuentre el estimador imparcial con varianza mínima parag(θ)=1θg(θ)=1θg(\theta)=\frac{1}{\theta} Mi intento: Como la distribución geométrica es de la familia exponencial, la estadística es completa y suficiente para . Además, si es un estimador para , es …

10 probability  self-study  estimation  unbiased-estimator  exponential-family 

Me gustaría entender un par de hechos sobre estimadores de máxima verosimilitud (MLE) para regresiones logísticas. ¿Es cierto que, en general, el MLE para la regresión logística está sesgado? Yo diría que sí". Sé, por ejemplo, que la dimensión de la muestra está relacionada con el sesgo asintótico de los …

10 logistic  maximum-likelihood  unbiased-estimator  bias 

Supongamos que tengo nnn parámetros positivos para estimar μ1,μ2,...,μnμ1,μ2,...,μn\mu_1,\mu_2,...,\mu_n y sus correspondientes nnn estimaciones insesgadas producidos por los estimadores μ1^,μ2^,...,μn^μ1^,μ2^,...,μn^\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n} , es decir, E[μ1^]=μ1E[μ1^]=μ1\mathrm E[\hat{\mu_1}]=\mu_1 , E[μ2^]=μ2E[μ2^]=μ2\mathrm E[\hat{\mu_2}]=\mu_2 y así sucesivamente. Me gustaría estimar min(μ1,μ2,...,μn)min(μ1,μ2,...,μn)\mathrm{min}(\mu_1,\mu_2,...,\mu_n) utilizando las estimaciones a la mano. Es evidente que el ingenuo estimador min(μ1^,μ2^,...,μn^)min(μ1^,μ2^,...,μn^)\mathrm{min}(\hat{\mu_1},\hat{\mu_2},...,\hat{\mu_n}) es parcial …

9 unbiased-estimator  estimators  minimum 

Ejemplos: Tengo una oración en la descripción del trabajo: "Ingeniero senior de Java en el Reino Unido". Quiero usar un modelo de aprendizaje profundo para predecirlo en 2 categorías: English y IT jobs. Si uso el modelo de clasificación tradicional, solo puede predecir 1 etiqueta con softmaxfunción en la última …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

Descripción general ¿Un estimador eficiente (que tiene una varianza muestral igual al límite de Cramér-Rao) maximiza la probabilidad de estar cerca del parámetro verdadero ?θθ\theta Digamos que comparamos la diferencia o la diferencia absoluta entre la estimación y el parámetro verdaderoΔ^=θ^- θΔ^=θ^-θ\hat\Delta = \hat \theta - \theta ¿Es la distribución …

9 mathematical-statistics  unbiased-estimator  sufficient-statistics  stochastic-ordering 

Estoy leyendo aprendizaje profundo por Ian Goodfellow et al. Introduce el sesgo como donde y son el parámetro estimado y el parámetro real subyacente, respectivamente.Bias(θ)=E(θ^)−θBias(θ)=E(θ^)−θBias(\theta)=E(\hat\theta)-\thetaθ^θ^\hat\thetaθθ\theta La consistencia, por otro lado, está definida por lo que significa que para cualquier , comolimm→∞θ^m=θlimm→∞θ^m=θ\mathrm{lim}_{m\to\infty}\hat\theta_m=\thetaϵ&gt;0ϵ&gt;0\epsilon > 0P(|θ^m−θ|&gt;ϵ)→0P(|θ^m−θ|&gt;ϵ)→0P(|\hat\theta_m-\theta|>\epsilon)\to0m→∞m→∞m\to\infty Luego dice que la consistencia implica imparcialidad …

9 estimation  bias  unbiased-estimator  consistency 

Supongamos que reemplazamos la función de pérdida de la regresión logística (que normalmente es log-verosimilitud) con el MSE. Es decir, que la razón de probabilidad logarítmica sea una función lineal de los parámetros, pero minimice la suma de las diferencias al cuadrado entre la probabilidad estimada y el resultado (codificado …

9 logistic  maximum-likelihood  unbiased-estimator  mse 

Usando la prueba T de Student, T-Critical se calcula mediante: t =X¯-μ0 0s /norte√t=X¯−μ0s/nt = \frac{\bar{X} - \mu_{0}}{s / \sqrt{n}} Mirando el artículo de Wikipedia sobre la Estimación imparcial de la desviación estándar, hay una sección Resultado para la Distribución normal que menciona un factor de corrección para la desviación …

9 t-test  standard-deviation  unbiased-estimator  t-distribution 

Estoy buscando la ecuación correcta para calcular la covarianza muestral imparcial ponderada. Las fuentes de Internet son bastante raras en este tema y todas usan ecuaciones diferentes. La ecuación más probable que he encontrado es esta: qjk=∑Ni=1wi(∑Ni=1wi)2−∑Ni=1w2i∑Ni=1wi(xij−x¯j)(xik−x¯k).qjk=∑i=1Nwi(∑i=1Nwi)2−∑i=1Nwi2∑i=1Nwi(xij−x¯j)(xik−x¯k).q_{jk}=\frac{\sum_{i=1}^{N}w_i}{\left(\sum_{i=1}^{N}w_i\right)^2-\sum_{i=1}^{N}w_i^2} \sum_{i=1}^N w_i \left( x_{ij}-\bar{x}_j \right) \left( x_{ik}-\bar{x}_k \right) . De: https://en.wikipedia.org/wiki/Sample_mean_and_sample_covariance#Weighted_samples Por supuesto, …

9 covariance  unbiased-estimator  weighted-data 

Estoy viendo la muestra de curtosis de una variable aleatoria bastante sesgada, y los resultados parecen inconsistentes. Para ilustrar simplemente el problema, miré la curtosis de muestra de un RV log-normal. En R (que estoy aprendiendo lentamente): library(moments); samp_size = 2048; n_trial = 4096; kvals &lt;- rep(NA,1,n_trial); #preallocate for (iii …

8 r  unbiased-estimator  kurtosis 

De acuerdo con la Ayuda de Microsoft Excel: VAR usa la siguiente fórmula: donde x es el promedio de la muestra PROMEDIO (número1, número2, ...) yn es el tamaño de la muestra. ¿No debería ser n, en lugar de n - 1, en el denominador?

8 variance  excel  unbiased-estimator 

La asimetría y la curtosis se definen como: ζ3=mi[ ( X- μ)3]mi[ ( X- μ)2]3 / 2=μ3σ3ζ3=mi[(X-μ)3]mi[(X-μ)2]3/ /2=μ3σ3\zeta_3 = \frac{E[(X-\mu)^3]}{E[(X-\mu)^2]^{3/2}} = \frac{\mu_3}{\sigma^3} ζ4 4=mi[ ( X- μ)4 4]mi[ ( X- μ)2]2=μ4 4σ4 4ζ4 4=mi[(X-μ)4 4]mi[(X-μ)2]2=μ4 4σ4 4\zeta_4 = \frac{E[(X-\mu)^4]}{E[(X-\mu)^2]^2} = \frac{\mu_4}{\sigma^4} Las siguientes fórmulas se utilizan para calcular el sesgo …

8 skewness  unbiased-estimator  kurtosis 

He leído esta declaración muchas veces, pero nunca he encontrado una prueba. Me gustaría intentar producir uno yo mismo, pero ni siquiera estoy seguro de qué notación usar. Puede alguien ayudarme con esto?

8 mathematical-statistics  random-forest  unbiased-estimator  proof 

Yo mismo siempre usaría la media geométrica para estimar una mediana lognormal. Sin embargo, en el mundo de la industria, a veces usar la mediana de la muestra da mejores resultados. Por lo tanto, la pregunta es, ¿existe un rango / punto de corte a partir del cual la mediana …

8 median  unbiased-estimator  lognormal 

Tengo un parámetro que se encuentra entre . Digamos que puedo ejecutar un experimento y obtener , donde es un gaussiano estándar. Lo que necesito es una estimación de que es 1) imparcial 2) casi seguramente acotada. El requisito (2) es crucial para mí.θθ\theta[0,1][0,1][0,1]θ^=θ+wθ^=θ+w\hat{\theta} = \theta + wwwwθθ\theta Lo natural …

8 estimation  mathematical-statistics  unbiased-estimator  proof