यदि "मानक त्रुटि" और "आत्मविश्वास अंतराल" माप की सटीकता को मापते हैं, तो सटीकता की माप क्या है?

Question

पृष्ठ 40 में पुस्तक "डमस्टीज के लिए बायोस्टैटिस्टिक्स" में मैंने पढ़ा:

मानक त्रुटि (संक्षिप्त एसई) यह इंगित करने का एक तरीका है कि आपका अनुमान कितना सटीक है या किसी चीज़ का माप है।

तथा

आत्मविश्वास अंतराल किसी अनुमान या सटीक माप को इंगित करने का एक और तरीका प्रदान करता है।

लेकिन माप की सटीकता को इंगित करने के लिए कुछ भी नहीं लिखा है।

प्रश्न: किसी चीज़ का माप कितना सही है, इसका संकेत कैसे दें? उसके लिए किन विधियों का उपयोग किया जाता है?

---

सटीकता और परीक्षण की सटीकता के साथ भ्रमित नहीं होना चाहिए: https://en.wikipedia.org/wiki/Accuracy_and_preaches#In_binary_classification

Comments

क्या आप किसी एकल पैरामीटर की सटीकता या समग्र मॉडल की सटीकता के बारे में पूछ रहे हैं?

— स्टीवन एल। जॉनसन

शुद्धता व्यवस्थित त्रुटियों (या पूर्वाग्रह) से प्रभावित है

— Aksakal

यादृच्छिक त्रुटि के साथ @ अक्षल और सटीक?

— vasili111

Answer 1

सटीकता का अनुमान आपके डेटा बिंदुओं से सीधे लगाया जा सकता है, लेकिन सटीकता प्रयोगात्मक डिजाइन से संबंधित है। मान लीजिए कि मैं अमेरिकी पुरुषों की औसत ऊंचाई का पता लगाना चाहता हूं। हाइट्स के नमूने को देखते हुए, मैं अपनी सटीकता का अनुमान लगा सकता हूं। यदि मेरा नमूना सभी बास्केटबॉल खिलाड़ियों से लिया गया है, हालांकि, मेरा अनुमान पक्षपाती और गलत होगा, और इस अशुद्धि को नमूने से ही पहचाना नहीं जा सकता है।

सटीकता मापने का एक तरीका आपके माप प्लेटफॉर्म का अंशांकन करना है। एक ज्ञात मात्रा को मापने के लिए अपने मंच का उपयोग करके, आप मज़बूती से अपने तरीके की सटीकता का परीक्षण कर सकते हैं। यह आपको माप पूर्वाग्रह खोजने में मदद कर सकता है, उदाहरण के लिए, यदि ऊंचाई उदाहरण के लिए आपका टेप माप एक इंच गायब था, तो आप पहचानेंगे कि आपके सभी अंशांकन नमूने एक इंच बहुत कम पढ़ते हैं। यह आपकी प्रयोगात्मक डिजाइन समस्या को ठीक करने में मदद नहीं करेगा, हालांकि।

Comments

+ 1. इसके अलावा, अनुमान पद्धति में पूर्वाग्रह हो सकते हैं, नमूना योजना से स्वतंत्र ... आप बूटस्ट्रैपिंग का उपयोग करके इसके बारे में समझ सकते हैं। एक अच्छा उदाहरण है$s=\sqrt{\frac{\sum (x_i-\bar x)^2}{n}}$(जो पक्षपाती कम है, खासकर छोटे नमूनों के लिए)।

Answer 2

प्रिसीशन यादृच्छिक त्रुटियों से प्रेरित है, और सटीकता को व्यवस्थित त्रुटियों द्वारा परिभाषित किया गया है। नमूना के आकार को बढ़ाकर बार-बार परीक्षण द्वारा सटीकता को अक्सर बढ़ाया जा सकता है। एक ही माप के अधिक डेटा एकत्र करके सटीकता निर्धारित नहीं की जा सकती क्योंकि व्यवस्थित त्रुटि दूर नहीं होगी।

व्यवस्थित त्रुटि माध्य के पूर्वाग्रह की ओर ले जाती है और एक ही प्रयोग के भीतर निर्धारित या निर्धारित नहीं की जा सकती है। इस पर विचार करें: आपके प्रयोग का पूरा बिंदु अक्सर प्रभाव का पता लगाने में होता है, जैसे कि शून्य से विचलन। आप विचलन को मानक त्रुटि से तुलना करके महत्व को मापते हैं, लेकिन यह विचलन स्वयं एक पूर्वाग्रह (व्यवस्थित त्रुटि) हो सकता है! इसलिए भौतिक विज्ञान में व्यवस्थित त्रुटि सबसे खराब प्रकार की त्रुटि है।

उदाहरण के लिए, भौतिकी में, आपको अपने प्रयोग के बाहर पूर्वाग्रह (व्यवस्थित त्रुटि) का निर्धारण करना चाहिए, फिर अपने माप में इसके लिए सही होना चाहिए। दिलचस्प बात यह है कि आर्थिक पूर्वानुमान क्षेत्र में सबसे बड़ी समस्या अर्थ की पाली है, जो मूल रूप से भौतिक विज्ञान में व्यवस्थित त्रुटि या पूर्वाग्रह के बराबर है।

आपको याद हो सकता है कि ओपरा के लोगों को व्यवस्थित त्रुटि के कारण कितनी शर्मिंदगी हुई, जो "न्यूट्रिनोस" को प्रकाश की तुलना में तेजी से आगे बढ़ने का " पता लगा " था! वे व्यवस्थित त्रुटियों के स्रोतों के एक समूह के लिए जिम्मेदार नहीं थे, और निष्कर्ष को रद्द करना पड़ा। आखिरकार, न्यूट्रिनो प्रकाश की गति को कम नहीं करते हैं, बुमेर!