likelihood पर टैग किए गए जवाब

यह प्रश्न इसी से प्रेरित है । मैंने दो स्रोतों को देखा और यही मैंने पाया। ए वैन डेर वार्ट, एसिम्प्टोटिक सांख्यिकी: प्रोफ़ाइल संभावना को स्पष्ट रूप से गणना करना संभव नहीं है, लेकिन इसका संख्यात्मक मूल्यांकन अक्सर संभव है। फिर प्रोफाइल संभावना संभावना फ़ंक्शन के आयाम को कम करने …

13 estimation  maximum-likelihood  likelihood  asymptotics  profile-likelihood 

हम बेयस के प्रमेय को लिख सकते हैं p ( θ | x ) = f( एक्स)| θ)पी(θ)∫θच( एक्स)| θ)पी(θ)डीθपी(θ|एक्स)=च(एक्स|θ)पी(θ)∫θच(एक्स|θ)पी(θ)घθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} जहाँ पश्च है, the सशर्त वितरण है, और पूर्व है।पी ( θ | एक्स )पी(θ|एक्स)p(\theta|x)च( एक्स)| θ)च(एक्स|θ)f(X|\theta)पी ( θ )पी(θ)p(\theta) या पी ( θ | x ) …

13 bayesian  likelihood 

लॉजिस्टिक रिग्रेशन का पैरामीटर अनुमान / प्रशिक्षण वास्तव में कैसे काम करता है? मैं अब तक जो भी मिला है, डालने की कोशिश करूंगा। आउटपुट y x के मान के आधार पर संभाव्यता के रूप में लॉजिस्टिक फ़ंक्शन का आउटपुट है: P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)=11+e−ωTx≡σ(ωTx)P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx) P(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1−P(y=1|x)=1−11+e−ωTxP(y=0|x)=1-P(y=1|x)=1-{1\over1+e^{-\omega^Tx}} एक आयाम के लिए तथाकथित ऑड्स को …

12 regression  logistic  likelihood 

मेरे पास एक बहुत बड़ा डेटासेट है और लगभग 5% यादृच्छिक मूल्य गायब हैं। ये चर एक दूसरे के साथ सहसंबद्ध हैं। निम्नलिखित उदाहरण R डाटासेट केवल एक खिलौना उदाहरण है जिसमें डमी सहसंबद्ध डेटा है। set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

अगर किसी ने कहा "यह विधि उस पैरामीटर के लिए MLE बिंदु अनुमान का उपयोग करती है जो The अधिकतम करता है, इसलिए यह अक्सरवादी है; और आगे यह बायेसियन नहीं है।"P(x|θ)पी(एक्स|θ)\mathrm{P}(x|\theta) क्या आप सहमत हैं? बैकग्राउंड पर अपडेट करें : मैंने हाल ही में एक पेपर पढ़ा है जो …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

मैं बहुत मानक तरीके से कलमन फ़िल्टर का उपयोग कर रहा हूं। सिस्टम को राज्य समीकरण xt+1=Fxt+vt+1xt+1=Fxt+vt+1x_{t+1}=Fx_{t}+v_{t+1} और अवलोकन समीकरण द्वारा दर्शाया जाता हैyt=Hxt+Azt+wtyt=Hxt+Azt+wty_{t}=Hx_{t}+Az_{t}+w_{t} । पाठ्यपुस्तकें सिखाते हैं कि Kalman फिल्टर लागू करने और "एक कदम आगे प्राप्त करने के बाद एक्स टी | t - 1x^t|t−1x^t|t−1\hat{x}_{t|t-1} (या "फ़िल्टर किए …

11 likelihood  kalman-filter 

बेयस के प्रमेय के अनुसार, । लेकिन मेरे अर्थमितीय पाठ के अनुसार, यह कहता है कि । ऐसा क्यों है? मुझे नहीं मिलता कि को अनदेखा क्यों किया गया है।पी ( θ | y ) α पी ( y | θ ) पी ( θ ) पी ( y )पी( …

11 bayesian  conditional-probability  likelihood 

मैं केवल dnorm () लॉग-लाइक फ़ंक्शन द्वारा प्रदान किए जाने वाले लॉग-लाइक फ़ंक्शन को एक lm मॉडल (R) से प्राप्त करने की कोशिश कर रहा हूं। यह उच्च संख्या में डेटा के लिए काम करता है (लगभग पूरी तरह से) (जैसे n = 1000): > n <- 1000 > x …

10 r  generalized-linear-model  likelihood  lm 

यह सवाल कक्षा में आया था: हम एक प्रयोग है, जो की ओर से पी मूल्यों का उपयोग करते हैं परिकल्पना का मूल्यांकन करने के संभावना सिद्धांत : कर रहे हैं हम का पालन नहीं पर्याप्तता या शर्त ? मेरा अंतर्ज्ञान पर्याप्तता कहना होगा , क्योंकि पी-मान की गणना किसी …

9 likelihood  philosophical  likelihood-principle 

आप कॉक्स आनुपातिक खतरे वाले मॉडल से उत्तरजीविता वक्र की व्याख्या कैसे करते हैं? इस खिलौना उदाहरण में, मान लें कि हमारे पास डेटा ageमें परिवर्तनशील पर एक कॉक्स आनुपातिक खतरा मॉडल है kidney, और उत्तरजीविता वक्र उत्पन्न करता है। library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() उदाहरण …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

Phylogenetics में, Mlog या बायेसियन विश्लेषण का उपयोग करते हुए अक्सर phylogenetic पेड़ों का निर्माण किया जाता है। अक्सर, एक फ्लैट पूर्व बायेसियन अनुमान में उपयोग किया जाता है। जैसा कि मैं इसे समझता हूं, बायेसियन अनुमान एक संभावना अनुमान है जो एक पूर्व को शामिल करता है। मेरा प्रश्न …

9 bayesian  confidence-interval  maximum-likelihood  likelihood  phylogeny 

वाई। पवन द्वारा "ऑल लाइकलीहुड: स्टैटिस्टिकल मॉडलिंग एंड इन्वेंशन यूज़ लाइकलीहुड" से, री-पैरामीटराइजेशन की संभावना को रूप में परिभाषित किया गया है। _ \ _ ताकि यदि g एक-से-एक है, तो L ^ * (\ psi) = L (g ^ {- 1}} ((psi)) (पृष्ठ 45)। मैं एक्सरसाइज 2.20 दिखाने की …

9 mathematical-statistics  inference  likelihood  fisher-information 

मैं मोंटे कार्लो विधियों द्वारा एक सांख्यिकीय मॉडल के लिए सीमांत संभावना की गणना करने की कोशिश कर रहा हूं: च( x ) = ∫च( X | θ ) π( θ )घθच(एक्स)=∫च(एक्स|θ)π(θ)घθf(x) = \int f(x\mid\theta) \pi(\theta)\, d\theta संभावना अच्छी तरह से व्यवहार किया है - चिकनी, लॉग-अवतल - लेकिन उच्च …

9 monte-carlo  likelihood  marginal 

मैं वर्तमान में मार्कोव जंजीरों के साथ काम कर रहा हूं और कई स्रोतों द्वारा सुझाए गए संक्रमण संभावनाओं का उपयोग करके अधिकतम संभावना अनुमान की गणना करता हूं (जैसे, एक से दूसरे नोड्स में कुल संक्रमणों की संख्या से विभाजित बी से संक्रमण की संख्या)। अब मैं MLE के …

9 maximum-likelihood  markov-process  likelihood