Als «method-of-moments» getaggte Fragen

Eine Methode zur Parameterschätzung durch Gleichsetzen von Stichproben- und Populationsmomenten und anschließendes Lösen der Gleichungen für die unbekannten Parameter.

7
Beispiele, bei denen die Methode der Momente in kleinen Stichproben die maximale Wahrscheinlichkeit übertrifft?
Maximum Likelihood Estimators (MLE) sind asymptotisch effizient; Wir sehen das praktische Ergebnis darin, dass sie selbst bei kleinen Stichprobengrößen oftmals besser abschätzen als die Momentenmethode (MoM) (wenn sie sich unterscheiden) Hier bedeutet "besser als" in dem Sinne, dass typischerweise eine geringere Varianz vorliegt, wenn beide unverzerrt sind, und typischerweise ein …

5
Maximum Likelihood Estimation - Warum wird es verwendet, obwohl es in vielen Fällen voreingenommen ist?
Die Maximum-Likelihood-Schätzung führt häufig zu verzerrten Schätzern (z. B. ist ihre Schätzung für die Stichprobenvarianz für die Gauß-Verteilung verzerrt). Was macht es dann so beliebt? Warum genau wird es so oft verwendet? Was macht es besonders besser als die alternative Methode der Momente? Außerdem ist mir aufgefallen, dass eine einfache …


4
Was genau sind Momente? Wie werden sie abgeleitet?
Wir werden in der Regel mit der Methode der Momentschätzer vertraut gemacht, indem wir "Populationsmomente ihrem Beispielgegenstück zuordnen", bis wir alle Populationsparameter geschätzt haben. so dass wir im Falle einer Normalverteilung nur den ersten und den zweiten Moment benötigen würden, weil sie diese Verteilung vollständig beschreiben. E(X)=μ⟹∑ni=1Xi/n=X¯E(X)=μ⟹∑i=1nXi/n=X¯E(X) = \mu \implies …

1
Wann ergeben die maximale Wahrscheinlichkeit und die Methode der Momente die gleichen Schätzer?
Neulich wurde mir diese Frage gestellt und ich hatte sie noch nie in Betracht gezogen. Meine Intuition kommt von den Vorteilen jedes Schätzers. Die größte Wahrscheinlichkeit besteht darin, dass wir uns auf den Prozess der Datengenerierung verlassen können, da im Gegensatz zur Methode der Momente das Wissen über die gesamte …

1
Verbindung zwischen Momenterzeugungsfunktion und charakteristischer Funktion
Ich versuche den Zusammenhang zwischen der momenterzeugenden Funktion und der charakteristischen Funktion zu verstehen. Die Momenterzeugungsfunktion ist definiert als: MX(t)=E(exp(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n!MX(t)=E(exp⁡(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n! M_X(t) = E(\exp(tX)) = 1 + \frac{t E(X)}{1} + \frac{t^2 E(X^2)}{2!} + \dots + \frac{t^n E(X^n)}{n!} Unter Verwendung der von Kann ich alle Momente der Verteilung für die Zufallsvariable finden …

1
Verlässt sich ANOVA auf die Methode der Momente und nicht auf die maximale Wahrscheinlichkeit?
Ich sehe an verschiedenen Stellen erwähnt, dass ANOVA seine Schätzung mit der Methode der Momente durchführt. Diese Behauptung verwirrt mich, denn obwohl ich mit der Methode der Momente nicht vertraut bin, verstehe ich, dass sie etwas anderes ist als die Methode der maximalen Wahrscheinlichkeit und nicht gleichwertig damit. Andererseits kann …



2
Woher weiß ich, welche Methode zur Parameterschätzung ich wählen soll?
Es gibt eine ganze Reihe von Methoden zur Parameterschätzung. MLE, UMVUE, MoM, Entscheidungstheorie und andere scheinen alle einen ziemlich logischen Grund dafür zu haben, warum sie für die Parameterschätzung nützlich sind. Ist eine Methode besser als die andere, oder handelt es sich nur darum, wie wir den Schätzer für die …


1
Welches Deep-Learning-Modell kann Kategorien klassifizieren, die sich nicht gegenseitig ausschließen?
Beispiele: Ich habe einen Satz in der Stellenbeschreibung: "Java Senior Engineer in UK". Ich möchte ein Deep-Learning-Modell verwenden, um es als zwei Kategorien vorherzusagen: English und IT jobs. Wenn ich ein traditionelles Klassifizierungsmodell verwende, kann es nur 1 Etikett mit softmaxFunktion auf der letzten Ebene vorhersagen . Somit kann ich …
9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

2
Realer Gebrauch von Momenterzeugungsfunktionen
In den meisten grundlegenden Kursen zur Wahrscheinlichkeitstheorie sind Ihre Funktionen zur Erzeugung des angegebenen Moments (mgf) nützlich, um die Momente einer Zufallsvariablen zu berechnen. Insbesondere die Erwartung und Varianz. In den meisten Kursen können die Beispiele für Erwartung und Varianz mithilfe der Definitionen analytisch gelöst werden. Gibt es Beispiele für …

1
Parameterschätzungen für die Dreiecksverteilung
Eine Frage , wurde veröffentlicht hier (deleted jetzt) in Bezug auf die Parameter der Schätzdreiecksverteilung , die Dichte f(x;a,b,c)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪02(x−a)(b−a)(c−a)2(b−x)(b−a)(b−c)0for x&lt;a,for a≤x≤c,for c&lt;x≤b,for b&lt;x.f(x;a,b,c)={0for x&lt;a,2(x−a)(b−a)(c−a)for a≤x≤c,2(b−x)(b−a)(b−c)for c&lt;x≤b,0for b&lt;x.f(x;a,b,c)=\begin{cases} \quad 0 & \text{for } x < a, \\ \frac{2(x-a)}{(b-a)(c-a)} & \text{for } a \le x \le c, \\ \frac{2(b-x)}{(b-a)(b-c)} & \text{for } …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.