bảo hiểm khoảng tin cậy với ước tính thường xuyên


21

Giả sử tôi đang cố gắng ước tính một số lượng lớn các tham số từ một số dữ liệu chiều cao, sử dụng một số loại ước tính chính quy. Trình chuẩn hóa đưa ra một số sai lệch trong các ước tính, nhưng nó vẫn có thể là một sự đánh đổi tốt bởi vì việc giảm phương sai sẽ nhiều hơn là bù cho nó.

Vấn đề xảy ra khi tôi muốn ước tính khoảng tin cậy (ví dụ: sử dụng xấp xỉ Laplace hoặc bootstrapping). Cụ thể, sự sai lệch trong ước tính của tôi dẫn đến phạm vi bảo hiểm xấu trong khoảng tin cậy của tôi, điều này khiến cho việc xác định các thuộc tính thường xuyên của công cụ ước tính của tôi rất khó khăn.

Tôi đã tìm thấy một số bài báo thảo luận về vấn đề này (ví dụ: "Khoảng tin cậy tiệm cận trong hồi quy sườn dựa trên sự mở rộng Edgeworth" ), nhưng toán học chủ yếu nằm trên đầu tôi. Trong bài báo được liên kết, các phương trình 92-93 dường như cung cấp một hệ số hiệu chỉnh cho các ước tính được chính quy hóa bằng hồi quy sườn, nhưng tôi đã tự hỏi liệu có những quy trình tốt sẽ hoạt động với một loạt các bộ chỉnh hóa khác nhau.

Ngay cả một sự điều chỉnh đầu tiên sẽ vô cùng hữu ích.


4
+1 câu hỏi quan trọng và kịp thời - mặc dù hiện tại tôi không chắc ai có thể trả lời câu hỏi này trong câu khẳng định (tôi đoán đơn giản là chúng ta không biết làm thế nào cho đúng và nếu tôi biết, tôi sẽ có một vài Biên niên sử về Giấy tờ thống kê xếp hàng). Câu hỏi liên quan: stats.stackexchange.com/questions/91462/ Quảng cáo Chúng tôi biết rằng bootstrapping thực hiện hoàn toàn trong các tình huống như vậy nhưng điều đó sẽ không giúp ích.
Momo

Cảm ơn các liên kết. Bạn có thể làm rõ những gì bạn có nghĩa là liên quan đến bootstrapping?
David J. Harris

Ngoài ra, tôi vẫn đang hy vọng rằng ai đó có thể có các phương pháp hoạt động tốt cho những người thường xuyên không thưa thớt. Tôi tưởng tượng rằng hình phạt L1 khiến mọi thứ trở nên đặc biệt khó khăn vì tất cả các ước tính chồng chất ở mức 0. Cảm ơn một lần nữa.
David J. Harris

1
cd

1
Bài viết của Ruben Dezeure, Peter Bühlmann, Lukas Meier và Nicolai Meinshausen là theo hiểu biết tốt nhất của tôi về tài khoản gần đây và toàn diện nhất về suy luận trong một khung cảnh chiều cao.
NRH

Câu trả lời:


4

Có một bài báo gần đây giải quyết chính xác câu hỏi của bạn (nếu bạn muốn thực hiện hồi quy trên dữ liệu của mình, như tôi hiểu), và may mắn thay, cung cấp các biểu thức dễ tính toán (Kiểm tra khoảng tin cậy và Kiểm tra giả thuyết cho hồi quy chiều cao).

Ngoài ra, bạn có thể quan tâm đến công việc gần đây của Peter Bühlmann về chính chủ đề đó. Nhưng tôi tin rằng bài báo đầu tiên cung cấp cho bạn những gì bạn đang tìm kiếm và nội dung dễ tiêu hóa hơn (tôi cũng không phải là một nhà thống kê).


+1 Giấy thú vị. Vì vậy, có vẻ như có ít nhất ba ý tưởng cạnh tranh về cách tiếp cận những vấn đề này và từ những gì tôi có thể thấy chúng không liên quan chặt chẽ với nhau. Sau đó, còn có định lý bất khả thi từ tạp chí.cambridge.org / action / bia Sẽ rất thú vị để xem điều này diễn ra như thế nào và những gì nổi lên như kinh điển.
Momo

Cảm ơn. Đây có thể không phải là thứ tôi thực sự có thể thực hiện được, nhưng có vẻ như toán học hoạt động với nhiều ước tính chính quy.
David J. Harris

1

http://cran.r-project.org/web/packages/hdi/index.html

Đây có phải là những gì bạn đang tìm kiếm?

Description
Computes confidence intervals for the l1-norm of groups of regression parameters in a hierarchical
clustering tree.

Tôi đã hy vọng một cái gì đó sẽ làm việc cho nhiều loại thường xuyên (chủ yếu là không thưa thớt). Cảm ơn mặc dù.
David J. Harris
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.