For Better Performance Please Use Chrome or Firefox Web Browser

non-normality

Comments

چه فرآیندهای تصادفی های دیگری وجود دارد که از آنها میتوان برای آزمون های نیکویی برازش از طریق بیز نا پارامتری اسفاده کرد؟

با توجه به اینکه میتوان ثابت کرد فرایند دیریکله با احتمال یک،یک فرآیند تصادفی گسسته است بنابراین استفاده از آن زمانی که داده ها پیوسته باشند باعث ایجاد خطا در نتایج میشود. بر این اساس،فرآیند های تصادفی دیگری ازجمله فرایند دیریکله آآمیخته را به عنوان فرایندی کارا تر در زمینه بیز ناپارامتری مطرح کرده اند که میتواند نقص حالت قبلی را جبران کند. محاسبه فاکتور بیز بسته به اینکه از کدام فرآیند تصادفی برای توزیع نامعلوم استفاده شود،متفاوت است. یعنی در هر حالت باید به طور جداگانه فاکتور بیز را محاسبه کرد.

مزیت سلسله مراتبی نوشتن چیست؟

برای بدست آوردن براوردهای بیزی و استفاده از روش ها ی Mcmc و بدست آوردن Fullconditional ها در روش MCMC کار را خیلی راحت میکند.

همانطور که در ارایه مطرح شد یکی از دلایل عدم استفاده از فرض نرمال بودن خطاهاوجود داده های پرت است حال سوالی که پیش می آید این است که از کجا تشخیص دهیم واقعا داده پرت است؟ممکن است تعدادی قابل توجه از داده ها شبیه به داده پرت باشند ولی وافعا نتوان انها را داده پرت تلقی کرد معیار تشخیص چیست؟

ابتدا بررسی میکنیم جز داده ها هست یا به دلایلی به صورت اشتباه وارد داده ها شده. اگر. یک سری داده ها درست باشند ولی مقدار آنها فاصله زیادی رو با بقیه داده ها داشته باشند به آنها داده پرت میگوییم،زیرا تقریبا از اکثر داده ها فاصله زیادی دارند. و باید در حضور این داده ها مدل مناسبی را به خطاها نسبت دهیم.

با استفاده از آزمون های باقیمانده مثل باقیمانده پیرسونی یا آزمون باقیمانده انحرافی می توانیم داده ی پرت را تشخیص دهیم.

چرا مدلی بهتر است که معیار های AIC,BIC,DIC کمتر باشند؟

معیارهای اطلاع اکاییک یا اطلاع بیز میزان اختلاف میان توزیع تخمین زده شده و توزیع واقعی متغیرها را می سنجند و قطعا هرچه این دو توزیع به هم نزدیک تر باشند،نشان از خوبی مدل تخمین زده شده است.پس مدلی بهتر است که این معیارها را به حداقل برساند.

ایا نرمال نبودن خطا روی برآورد ضرایب تاثیر دارد؟ آیا روی اریبی و نااریبی ضرایب موثر است ؟

چون در فرمول مربوط به هر یک از این عبارات از برآورد ماکسیمم درست نمایی پراکندگی استفاده شده است،پس هرچه این معیار کمتر باشد یعنی واریانس پارامتر ها کمتر و مدل دقیق تر است.

یکی از روشهای رگرسیون استوار قدر مطلق انحرافات میباشد با توجه به معلوم نبودن توزیع خطاها چرا همیشه از این روش استفاده نمیکنیم؟

Add new comment

Plain text

  • Allowed HTML tags: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd> <br> </br> <br/>
  • Web page addresses and e-mail addresses turn into links automatically.
CAPTCHA
This question is for testing whether you are a human visitor and to prevent automated spam submissions.
Image CAPTCHA
Enter the characters shown in the image.