बूटस्ट्रैप बनाम बायेसियन तकनीक का उपयोग कब करें?


12

मेरे पास विश्वसनीयता परीक्षण और तार्किक दृष्टिकोण (बल्कि मेरे लिए) के बजाय एक जटिल निर्णय विश्लेषण समस्या है जो एक बायेसियन विश्लेषण का समर्थन करने के लिए एमसीएमसी का उपयोग करना शामिल है। हालांकि, यह सुझाव दिया गया है कि बूटस्ट्रैपिंग दृष्टिकोण का उपयोग करना अधिक उचित होगा। क्या कोई संदर्भ (या तीन) का सुझाव दे सकता है जो या तो तकनीक के उपयोग का समर्थन कर सकता है (यहां तक ​​कि विशेष स्थितियों के लिए)? एफडब्ल्यूआईडब्ल्यू, मेरे पास कई, असमान स्रोतों और कुछ / शून्य विफलता टिप्पणियों से डेटा है। मेरे पास सबसिस्टम और सिस्टम स्तरों पर भी डेटा है।

ऐसा लगता है कि इस तरह की तुलना उपलब्ध होनी चाहिए, लेकिन मुझे सामान्य संदिग्धों की खोज करने का सौभाग्य नहीं मिला है। किसी भी संकेत के लिए अग्रिम धन्यवाद।


1
यह देखते हुए कि शास्त्रीय बूटस्ट्रैप को एक कंप्यूटर-कार्यान्वित अधिकतम संभावना विधि (यानी एक गैर-बायेसियन (फ्लैट पूर्व) तकनीक) के रूप में माना जा सकता है, क्या आपके प्रश्न को "कुछ ऐसा करना" बेहतर होगा जब "अक्सरवादी" बायेसियन तकनीक का उपयोग किया जा सके। ? " बूटस्ट्रैप पर कुछ पृष्ठभूमि: आंकड़े.stackexchange.com/questions/18469/…
येवगेनी

1
हम्मम..मुझे लगता है कि मैं असहमत हूं। उम्मीद है कि 'बूटस्ट्रैप' विशेष रूप से अंतराल के लक्षण वर्णन करता है; बस 'लगातार' से थोड़ा अधिक ध्यान केंद्रित किया। कम से कम 'बूटस्ट्रैप' बे पर ज्यादातर धार्मिक कट्टरपंथी रखेंगे। इसके अलावा, लिंक के लिए धन्यवाद, लेकिन इससे पहले कि मैं यह पोस्ट करता, मैं आपकी पिछली टिप्पणी से परिचित था।
आंगुस

1
मुझे rephrase करते हैं, क्या आपके पास कोई उपयोगी पूर्व सूचना है, या समस्या में एक पदानुक्रमित (नेस्टेड) ​​संरचना है? यदि ऐसा है, तो एक बायेसियन तकनीक शायद बेहतर है (विशेष रूप से यदि मॉडल मापदंडों की संख्या उपलब्ध डेटा की मात्रा के सापेक्ष बड़ी है, तो अनुमान "बेसेसियन सिकुड़ने" से लाभ होगा)। अन्यथा MLE / बूटस्ट्रैप पर्याप्त है।
येवगेनी

मुझे लगता है कि एक अन्य संभावित दृष्टिकोण मिश्रित-प्रभाव वाले मॉडल (जैसे आर पैकेज lme4 का उपयोग करना) का उपयोग करके उस पदानुक्रमित संरचना को मॉडल करना है जिसे आपने कहा है। यह बड़ी संख्या में पैरामीटर के साथ अनुमानों (पदानुक्रमित) मॉडल को स्थिर करने में भी मदद करेगा।
येवगेनी

1
बूटस्ट्रैप विश्लेषण को एक बायेसियन विश्लेषण के रूप में बहुत अच्छी तरह से देखा जा सकता है, इसलिए आपका प्रश्न लगभग "एक बूटस्ट्रैप बनाम एक अन्य बायेसियन मॉडल का उपयोग करने के लिए" कब हो सकता है (आपका प्रश्न मुझे बायसेपियन मॉडल के रूप में बूटस्ट्रैप की इस व्याख्या को लिखने के लिए प्रेरित करता है। : sumsar.net/blog/2015/04/… )। प्रश्न को देखते हुए, मैं @Ygengen के साथ सहमत हूं कि हमें मॉडल की सिफारिश करने से पहले हमें आपकी विशिष्ट समस्या के बारे में अधिक जानकारी की आवश्यकता होगी।
रासमस बैथ

जवाबों:


15

मेरी सोच के लिए, आपकी समस्या का वर्णन दो मुख्य मुद्दों की ओर इशारा करता है। प्रथम:

मेरे पास एक जटिल निर्णय विश्लेषण है ...

यह मानते हुए कि आपके हाथ में एक हानि समारोह है, आपको यह तय करने की आवश्यकता है कि क्या आप लगातार होने वाले जोखिम की परवाह करते हैं या अपेक्षित नुकसान की संभावना है । बूटस्ट्रैप आपको डेटा वितरण के अनुमानित कार्यों की सुविधा देता है, इसलिए यह पूर्व के साथ मदद करेगा; और MCMC के बाद के नमूने आपको बाद का आकलन करने देंगे। परंतु...

मेरे पास सबसिस्टम और सिस्टम स्तरों पर भी डेटा है

इसलिए इन आंकड़ों में पदानुक्रमित संरचना है। बायेसियन दृष्टिकोण ऐसे डेटा को बहुत स्वाभाविक रूप से मॉडल करता है, जबकि बूटस्ट्रैप मूल रूप से आईआईडी के रूप में मॉडलिंग किए गए डेटा के लिए डिज़ाइन किया गया था, जबकि इसे पदानुक्रमित डेटा तक बढ़ा दिया गया है ( इस पेपर के परिचय में संदर्भ देखें ), इस तरह के दृष्टिकोण अपेक्षाकृत अविकसित हैं (सार के अनुसार) यह लेख )।

संक्षेप में कहें: यदि यह वास्तव में लगातार जोखिम है कि आप किसके बारे में परवाह करते हैं, तो बूटस्ट्रैप के निर्णय सिद्धांत के आवेदन में कुछ मूल शोध आवश्यक हो सकते हैं। हालांकि, यदि पश्चगामी अपेक्षित हानि को कम करना आपकी निर्णय समस्या के लिए अधिक स्वाभाविक है, तो बेयस निश्चित रूप से जाने का रास्ता है।


धन्यवाद, मैं इन दोनों में से किसी में नहीं चला था; उत्तरार्द्ध लेख विशेष रूप से दिलचस्प लगता है।
अनंगस

5

मैंने पढ़ा है कि गैर पैरामीट्रिक बूटस्ट्रैप को बायेसियन मॉडल के एक विशेष मामले के रूप में देखा जा सकता है जिसमें असतत (बहुत) गैर सूचनात्मक पूर्व होता है, जहां मॉडल में बनाई जा रही धारणा है कि डेटा असतत है, और डोमेन आपका लक्ष्य वितरण पूरी तरह से आपके नमूने में देखा गया है।

यहाँ दो संदर्भ हैं:

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.