Statistiken und Big Data convergence

1

root-n konsistenter Schätzer, aber root-n konvergiert nicht?

Ich habe den Begriff "root-n" konsistenter Schätzer oft gehört. Aufgrund der Ressourcen, von denen ich angewiesen wurde, dachte ich, dass ein konsistenter "root-n" -Schätzer Folgendes bedeutet: Der Schätzer konvergiert auf den wahren Wert (daher das Wort "konsistent"). Der Schätzer konvergiert mit einer Rate von1/n−−√1/n1/\sqrt{n} Das verwirrt mich, da nicht konvergiert? …

10 convergence estimators consistency

2

r glmer-Warnungen: Modell konvergiert nicht und Modell ist nahezu nicht identifizierbar

Ich habe in diesem Forum Fragen dazu gesehen, und ich habe sie auch selbst in einem früheren Beitrag gestellt, aber ich konnte mein Problem immer noch nicht lösen. Deshalb versuche ich es erneut und formuliere die Frage diesmal so klar wie möglich mit möglichst detaillierten Informationen. Mein Datensatz enthält eine …

10 r lme4-nlme convergence glmm identifiability

4

Wie interpretiere ich eine Überlebenskurve des Cox-Hazard-Modells?

Wie interpretieren Sie eine Überlebenskurve aus dem Cox-Proportional-Hazard-Modell? Nehmen wir in diesem Spielzeugbeispiel an, wir haben ein Cox-Proportional-Hazard-Modell für ageVariablen in kidneyDaten und generieren die Überlebenskurve. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Welche Aussage ist zum Zeitpunkt zum Beispiel wahr? oder sind beide falsch?200200200 Statement 1: Wir …

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

1

Topologien, für die das Ensemble der Wahrscheinlichkeitsverteilungen vollständig ist

Ich hatte einige Probleme damit, mein intuitives Verständnis von Wahrscheinlichkeitsverteilungen mit den seltsamen Eigenschaften in Einklang zu bringen, die fast alle Topologien von Wahrscheinlichkeitsverteilungen besitzen. Betrachten Sie beispielsweise eine gemischte Zufallsvariable : Wählen Sie einen bei 0 zentrierten Gaußschen Wert mit der Varianz 1 aus und addieren Sie mit der …

9 mathematical-statistics convergence central-limit-theorem topologies

1

Simulation der Wahrscheinlichkeitskonvergenz zu einer Konstanten

Asymptotische Ergebnisse können durch Computersimulation nicht nachgewiesen werden, da es sich um Aussagen handelt, die das Konzept der Unendlichkeit betreffen. Aber wir sollten in der Lage sein, ein Gefühl dafür zu bekommen, dass die Dinge tatsächlich so laufen, wie es uns die Theorie sagt. limn → ∞P.( | X.n| >ϵ)=0,ϵ …

9 mathematical-statistics simulation convergence asymptotics

2

Konvergenz in der Verteilung \ CLT

Wenn , ist die bedingte Verteilung. von ist . hat eine marginale Verteilung. von Poisson ( ) ist eine positive Konstante.N=nN=nN = nYYYχ2(2n)χ2(2n)\chi ^2(2n)NNNθθ\thetaθθ\theta Zeigen , dass, als , in der Verteilung.( Y - E ( Y ) ) / √θ→∞θ→∞\theta \rightarrow \infty (Y−E(Y))/Var(Y)−−−−−−√→N(0,1) (Y−E(Y))/Var⁡(Y)→N(0,1)\space \space (Y - E(Y))/ \sqrt{\operatorname{Var}(Y)} …

9 self-study poisson-distribution conditional-probability convergence central-limit-theorem

4

(interagierende) MCMC für multimodalen posterioren

Ich versuche mit MCMC von einem Posterior zu probieren, der viele Modi hat, die besonders weit voneinander entfernt sind. Es scheint, dass in den meisten Fällen nur einer dieser Modi die 95% HPD enthält, die ich suche. Ich habe versucht, Lösungen zu implementieren, die auf temperierten Simulationen basieren, aber dies …

9 sampling mcmc inference convergence

1

Begrenzung der Verteilung von

Sei (Xn)(Xn)(X_n) eine Folge von iid N(0,1)N(0,1)\mathcal N(0,1) Zufallsvariablen. Definiere S0=0S0=0S_0=0 und Sn=∑nk=1XkSn=∑k=1nXkS_n=\sum_{k=1}^n X_k für n≥1n≥1n\geq 1 . Finden Sie die Grenzverteilung von 1n∑k=1n|Sk−1|(X2k−1)1n∑k=1n|Sk−1|(Xk2−1)\frac1n \sum_{k=1}^{n}|S_{k-1}|(X_k^2 - 1) Dieses Problem stammt aus einem Problembuch zur Wahrscheinlichkeitstheorie im Kapitel über den zentralen Grenzwertsatz. Da Sk−1Sk−1S_{k-1} und XkXkX_k unabhängig sind, ist E(|Sk−1|(X2k−1))=0E(|Sk−1|(Xk2−1))=0E(|S_{k-1}|(X_k^2 - …

8 self-study normal-distribution convergence central-limit-theorem

3

Wann implizieren

Die Frage: X.n→dX.Xn→dXX_n\stackrel{d}{\rightarrow}X und Y.n→dY.⟹?X.n+ Y.n→dX.+ Y.Yn→dY⟹?Xn+Yn→dX+YY_n\stackrel{d}{\rightarrow}Y \stackrel{?}{\implies} X_n+Y_n\stackrel{d}{\rightarrow}X+Y Ich weiß, dass dies im Allgemeinen nicht gilt; Der Satz von Slutsky gilt nur, wenn eine oder beide Konvergenzen wahrscheinlich sind. Gibt es jedoch Fälle, in denen dies der Fall ist ? Zum Beispiel, wenn die Sequenzen X.nXnX_n und Y.nYnY_n unabhängig …

8 distributions convergence asymptotics slutsky-theorem

2

Technischer Punkt zur Konvergenz mit der bedingten Erwartung

Ich habe eine Folge von nicht negativen Variablen wie: E ( X n | C n ) = C nX.nXnX_nE.( X.n| C.n) = C.nn2E(Xn|Cn)=Cnn2E(X_n|C_n)=\frac{C_n}{n^2} Dabei ist C.nCnC_n eine Folge von Zufallsvariablen, die fast sicher gegen 1 konvergieren 111. Kann ich schließen, dass X.nXnX_n fast sicher gegen 0 tendiert? Hinweis: Sie …

8 probability convergence conditional-expectation

1

Warum konvergiert MAP zu MLE?

In Kevin Murphys "Maschinelles Lernen: Eine probabilistische Perspektive", Kapitel 3.2, demonstriert der Autor das Bayes'sche Konzeptlernen an einem Beispiel namens "Zahlenspiel": Nachdem wir Proben aus , wollen wir Wählen Sie eine Hypothese die die Regel, die die Stichproben generiert hat, am besten beschreibt. Zum Beispiel "gerade Zahlen" oder "Primzahlen".{ 1 …

8 self-study bayesian maximum-likelihood convergence

2

Konvergenzbedingungen für Richtlinien- und Wertiterationsalgorithmen

Richtlinien- und Wertiterationsalgorithmen können verwendet werden, um Markov-Entscheidungsprozessprobleme zu lösen. Es fällt mir schwer, die notwendigen Bedingungen für die Konvergenz zu verstehen. Wenn sich die optimale Richtlinie in zwei Schritten (dh während der Iterationen i und i + 1 ) nicht ändert , kann daraus geschlossen werden, dass die Algorithmen …

8 algorithms markov-process convergence

1

Praktische Nützlichkeit der punktweisen Konvergenz ohne einheitliche Konvergenz

Motivation Leeb & Pötscher (2005) schreiben im Zusammenhang mit der Inferenz nach der Modellauswahl : Obwohl seit langem bekannt ist, dass die Einheitlichkeit (zumindest lokal) der Parameter ein wichtiges Thema bei der asymptotischen Analyse ist, wurde diese Lektion in der täglichen Praxis der ökonometrischen und statistischen Theorie oft vergessen, wo …

8 mathematical-statistics convergence asymptotics estimators

2

Was ist Epsilon-Konvergenz in der Wahrscheinlichkeit?

Ich verstehe, dass die Formel für die Wahrscheinlichkeit der Konvergenz und ich kann Probleme mit der Formel lösen. Kann jemand es intuitiv erklären (als wäre ich fünf Jahre alt), insbesondere in Bezug auf das, was ist?P[|Xn−X∞|>ϵ]→0P[|Xn−X∞|>ϵ]→0P[|X_n − X_\infty| \gt \epsilon ]\to 0ϵϵ\epsilon

8 probability convergence intuition

2

Was sind einige Gründe, warum iterativ neu gewichtete kleinste Quadrate nicht konvergieren würden, wenn sie für die logistische Regression verwendet werden?

Ich habe die Funktion glm.fit in R verwendet, um Parameter an ein logistisches Regressionsmodell anzupassen. Standardmäßig verwendet glm.fit iterativ neu gewichtete kleinste Quadrate, um die Parameter anzupassen. Was sind einige Gründe, warum dieser Algorithmus bei Verwendung für die logistische Regression nicht konvergieren würde?

8 r logistic generalized-linear-model convergence irls

Als «convergence» getaggte Fragen