बायेसियन मॉडल को फिट करते समय मुझे विशेषज्ञों से पूर्व वितरण कैसे करना चाहिए?
जवाबों:
जॉन कुक कुछ दिलचस्प सिफारिशें देते हैं। मूल रूप से, विशेषज्ञों से प्रतिशत / मात्राएं (मतलब नहीं या अस्पष्ट पैमाने के पैरामीटर!) प्राप्त करें और उन्हें उचित वितरण के साथ फिट करें।
http://www.johndcook.com/blog/2010/01/31/parameters-from-percentiles/
मैं वर्तमान में अपने परास्नातक थीसिस के लिए एक परीक्षण तकनीक के रूप में परीक्षण रूलेट विधि पर शोध कर रहा हूं । यह एक चित्रमय विधि है जो एक विशेषज्ञ को अनिश्चित मात्रा के लिए उसके व्यक्तिपरक संभाव्यता वितरण का प्रतिनिधित्व करने की अनुमति देती है।
विशेषज्ञों को काउंटर दिए गए हैं (या जो कैसिनो चिप्स के रूप में सोच सकते हैं) समान घनत्व का प्रतिनिधित्व करते हैं, जिनकी कुल संख्या 1 तक होगी - उदाहरण के लिए संभावना के 20 चिप्स = 0.05 प्रत्येक। फिर उन्हें प्री-प्रिंटेड ग्रिड पर व्यवस्थित करने का निर्देश दिया जाता है, जिसमें परिणाम अंतराल का प्रतिनिधित्व करने वाले डिब्बे होते हैं। प्रत्येक कॉलम संबंधित बिन परिणाम प्राप्त करने की संभावना के उनके विश्वास का प्रतिनिधित्व करेगा।
उदाहरण: एक छात्र को भविष्य की परीक्षा में अंक की भविष्यवाणी करने के लिए कहा जाता है। नीचे दिया गया आंकड़ा व्यक्तिपरक संभाव्यता वितरण के इलीटेशन के लिए एक पूर्ण ग्रिड दिखाता है। ग्रिड का क्षैतिज अक्ष संभावित डिब्बे (या निशान अंतराल) को दर्शाता है जिसे छात्र को विचार करने के लिए कहा गया था। शीर्ष पंक्ति में संख्याएँ प्रति बिन चिप्स की संख्या रिकॉर्ड करती हैं। पूर्ण ग्रिड (कुल 20 चिप्स का उपयोग करके) दर्शाता है कि छात्र का मानना है कि 30% संभावना है कि निशान 60 और 64.9 के बीच होगा।
इस तकनीक का उपयोग करने के पक्ष में कुछ कारण हैं:
विशेषज्ञ के व्यक्तिपरक संभाव्यता वितरण के आकार के बारे में कई सवालों का जवाब विशेषज्ञ को सवालों की एक लंबी श्रृंखला की आवश्यकता के बिना दिया जा सकता है - सांख्यिकीविद् किसी भी बिंदु के ऊपर या नीचे घनत्व को पढ़ सकते हैं, या कि किसी भी दो बिंदुओं के बीच।
एलिसिटेशन प्रक्रिया के दौरान, विशेषज्ञ चिप्स के चारों ओर घूम सकते हैं यदि वे जिस तरह से उन्हें शुरू में असंतुष्ट करते हैं - इस प्रकार वे अंतिम परिणाम के बारे में सुनिश्चित कर सकते हैं।
यह विशेषज्ञ को प्रदान की जाने वाली संभावनाओं के समूह में सुसंगत होने के लिए मजबूर करता है। यदि सभी चिप्स का उपयोग किया जाता है, तो संभाव्यताएं एक के बराबर होनी चाहिए।
ग्राफिकल तरीके विशेष रूप से सांख्यिकीय परिष्कार के मामूली स्तरों वाले प्रतिभागियों के लिए अधिक सटीक परिणाम प्रदान करते हैं।
पुरोहितों को पाना एक मुश्किल काम है।
Eliciting संभाव्यता वितरण के लिए सांख्यिकीय तरीकों और eliciting संभाव्यता वितरण से पहले निकालना के लिए काफी अच्छा व्यावहारिक मार्गदर्शक हैं। दोनों पत्रों में प्रक्रिया निम्नानुसार है:
बेशक, वे यह भी समीक्षा करते हैं कि कैसे इलीटेशन उन सूचनाओं में परिणत होता है जो वितरण में फिट हो सकती हैं या अन्यथा डिस्ट्रीब्यूशन को परिभाषित कर सकती हैं (उदाहरण के लिए, बायेसियन संदर्भ में, बीटा डिस्ट्रीब्यूशन ), लेकिन काफी महत्वपूर्ण बात है, वे मॉडलिंग विशेषज्ञ ज्ञान (एंकरिंग) में आम नुकसान को भी संबोधित करते हैं। संकीर्ण और छोटे पूंछ वाले वितरण, आदि)।
मेरा सुझाव है कि विषय विशेषज्ञ को पूर्व के माध्य या मोड को निर्दिष्ट करने की अनुमति दें, लेकिन मैं उन्हें समायोजित करने के लिए स्वतंत्र महसूस करूंगा जो वे एक पैमाने के रूप में देते हैं । अधिकांश लोग विचरण को निर्धारित करने में बहुत अच्छे नहीं हैं।
और मैं निश्चित रूप से विशेषज्ञ को वितरण परिवार को निर्धारित करने नहीं दूंगा, विशेष रूप से पूंछ की मोटाई। उदाहरण के लिए, मान लें कि आपको पहले एक सममित वितरण की आवश्यकता है। कोई भी व्यक्ति अपने व्यक्तिपरक विश्वास को इतनी सूक्ष्मता से निर्दिष्ट नहीं कर सकता, जितना कि सामान्य वितरण से अलग करने के लिए कहा जा सकता है, एक छात्र-टी वितरण जिसमें 5 डिग्री की स्वतंत्रता है। लेकिन कुछ संदर्भों में t (5) पूर्व सामान्य से बहुत अधिक मजबूत है। संक्षेप में, मुझे लगता है कि पूंछ की मोटाई का विकल्प एक तकनीकी सांख्यिकीय मामला है, न कि विशेषज्ञ राय को निर्धारित करने का मामला।
यह दिलचस्प सवाल ACERA में कुछ शोध का विषय है । प्रमुख शोधकर्ता एंड्रयू स्पीयर-ब्रिज है, और उनका काम मुख्य रूप से Google- सक्षम है :)