bukonu
Soru ara

İstatistik & Metodoloji5 argüman · 2 kaynak

Gözlemsel çalışmalarda bootstrap yerine Bayesçi yöntemler kullanılmalı mı?

Gözlemsel verilerde artan varyans ve model belirsizliği, tahminlerin güvenilirliğini değerlendirmeyi güçleştirebilir. Bayesçi yöntemler belirsizliği olasılıksal biçimde modelleyebilir; ancak varsayımlara ve hesaplama kaynaklarına daha fazla bağımlılık yaratabilir.12

Yapay zekâ ile hazırlandıKonu ve argümanlar yapay zekâ ile yazıldı; kaynaklar her argümanın altında. Hatalı bir bilgi görürsen iletişimden bildir.

Senin kadranın0/4 tartıldı

Henüz tartmadın

Topluluk ibresi 10 tartıda açılır · şimdi 0

Henüz tartmadın

L1

Bayesçi yöntemler model belirsizliğini doğrudan hesaba katabilir.

Gözlemsel verilerde tek bir modelin doğru olduğu varsayımı yanıltıcı olabilir. Bayesçi model ortalaması, birden fazla olası modeli ağırlıklandırarak çıkarımlardaki belirsizliğin bir bölümünü sonuçlara yansıtabilir.1

1doi.org

L2

Önceki bilimsel bilgi Bayesçi analizlerde sistematik biçimde kullanılabilir.

Alan bilgisi veya önceki araştırmalar uygun öncüllerle analize dahil edilebilir. Veri sınırlı olduğunda bu yaklaşım tahminleri bilgilendirebilir; öncül varsayımları açıkça belirtilip duyarlılık analizleriyle sınandığında değerlendirme daha şeffaf hale gelebilir.2

2doi.org

Tarafsız bilgi ibreyi oynatmaz; tartının zeminidir.

D1

Bootstrap ve Bayesçi yöntemler farklı belirsizlik kaynaklarını ve varsayımları ele alır.

Bootstrap, örneklemden yeniden örneklemeye; Bayesçi çıkarım ise olasılık modeli ve öncüllere dayanır. İki yöntemin karşılaştırılması, veri yapısına, hedeflenen çıkarıma ve model varsayımlarının ne ölçüde savunulabildiğine bağlıdır.12

1doi.org2doi.org

A1

Bayesçi sonuçlar seçilen öncüllere duyarlı olabilir.

Gözlemsel veriler bazı parametreleri yeterince tanımlamayabilir; böyle durumlarda öncüller posterior sonuçları belirgin biçimde etkileyebilir. Makul alternatif öncüller benzer sonuçlar vermiyorsa, yöntemin belirsizliği azaltması yerine varsayımlara bağımlılığı artırması mümkündür.2

2doi.org

A2

Bayesçi hesaplamalar bazı analizlerde daha fazla kaynak ve uzmanlık gerektirir.

Karmaşık modeller için posterior dağılımı hesaplamak yoğun hesaplama, yakınsama kontrolleri ve teknik uzmanlık gerektirebilir. Bootstrap da büyük veri ve çok sayıda tekrar gerektirebilir; bu yüzden Bayesçi yöntemin her uygulamada daha pratik ya da daha güvenilir olduğu söylenemez.1

1doi.org

Kaynakça

  1. 1doi.org /10.1214/ss/1009213726
  2. 2doi.org /10.1214/ss/1009213725

Sıradaki soru · Çalışma Hukuku

Kayıt dışı çalışmayı önlemek için işveren denetimleri sıkılaştırılmalı mı?