Nhầm lẫn về việc giết người


9

Tôi đã đọc bài viết trên wikipedia này liên quan đến việc giết người. Tôi đã không hiểu phần khi nó nói rằng

Kriging tính toán công cụ ước lượng không thiên vị tuyến tính tốt nhất, , của sao cho phương sai sai lệch được giảm thiểu với điều kiện không thiên vị. Tôi đã không nhận được đạo hàm và cũng như cách giảm thiểu phương sai. Bất kỳ đề xuất?Z(x0)Z^(x0)Z(x0)

Đặc biệt, tôi đã không nhận được phần áp dụng đối tượng tối thiểu hóa vào điều kiện không thiên vị.

Tôi nghĩ nó nên có

E [Z '(x0) -Z (x0)] thay vì E [Z' (x) -Z (x)] không phải vậy. 'tương đương với mũ trong bài viết wiki. Ngoài ra, tôi đã không nhận được lỗi bắt nguồn từ


Nơi nào bạn bị treo lên trong phái sinh?
whuber

Phần mà nó tính toán lỗi sai và áp đặt điều kiện không thiên vị. Sẽ ổn khi nói rằng điều kiện không thiên vị có nghĩa là kỳ vọng của người ước tính và điều kiện thực sự là bằng nhau. Tôi đã chỉnh sửa bài để bao gồm các chi tiết.
dùng31820

Tôi nghĩ bạn đã đúng rằng biểu thức Wikipedia nên đọc . E[Z(x0)Z(x0)]
whuber

Câu trả lời:


13

Giả sử là một vector giả định là có một phân phối đa biến không rõ nghĩa và được biết đến sai-hiệp phương sai ma trận . Chúng tôi quan sát từ bản phân phối này và muốn dự đoán từ thông tin này bằng cách sử dụng công cụ dự đoán tuyến tính không thiên vị:(Z0,Z1,,Zn)(μ,μ,,μ)Σ(z1,z2,,zn) z0

  • Tuyến tính có nghĩa là dự đoán phải mang hình thức cho hệ số bước sóng i được xác định. Những hệ số có thể phụ thuộc nhiều nhất vào những gì được biết đến trước: cụ thể là, các mục của Σ .z0^=λ1z1+λ2z2++λnznλiΣ

Dự báo này cũng có thể được coi là một biến ngẫu nhiên .Z0^=λ1Z1+λ2Z2++λnZn

  • Không thiên vị phương tiện kỳ vọng của bằng (không rõ) trung bình của nó μ .Z0^μ

Viết ra những điều cung cấp một số thông tin về các hệ số:

μ=E[Z0^]=E[λ1Z1+λ2Z2++λnZn]=λ1E[Z1]+λ2E[Z2]++λnE[Zn]=λ1μ++λnμ=(λ1++λn)μ.

μλ=(λi)1λ=1

Trong số tất cả các yếu tố dự đoán tuyến tính không thiên vị như vậy, chúng tôi tìm kiếm một giá trị lệch càng ít so với giá trị thực càng tốt , được đo trong bình phương trung bình của phòng. Đây, một lần nữa, là một tính toán. Nó dựa vào tính song song và tính đối xứng của hiệp phương sai, ứng dụng chịu trách nhiệm cho các tổng kết trong dòng thứ hai:

E[(Z0^Z0)2]=E[(λ1Z1+λ2Z2++λnZnZ0)2]=i=1nj=1nλiλjvar[Zi,Zj]2i=1nλivar[Zi,Z0]+var[Z0,Z0]=i=1nj=1nλiλjΣi,j2i=1nλiΣ0,i+Σ0,0.

1λ=1

Zx0,,xnZ(Z(x0),,Z(xn))Zi=Z(xi)n+1xin+1

σOK2Σ(Z0,,Zn)z0

  1. Trung bình dự đoán của chúng tôi sẽ chính xác.

  2. z0σOKz0

Cần phải nói nhiều hơn nữa trước khi điều này có thể được áp dụng cho các tình huống thực tế như ước tính bề mặt từ dữ liệu đúng giờ: chúng ta cần các giả định bổ sung về cách các đặc điểm thống kê của quá trình không gian thay đổi từ vị trí này sang vị trí khác và từ nhận thức này sang vị trí khác (mặc dù , trong thực tế, thường chỉ có một nhận thức sẽ có sẵn). Nhưng giải trình này phải đủ để theo dõi cách tìm kiếm Công cụ dự đoán tuyến tính không thiên vị "tốt nhất" ("BLUP") dẫn thẳng đến một hệ phương trình tuyến tính.


ΣΣΣvà dự đoán một bộ sưu tập các giá trị tại các vị trí không xác định. Họ yêu cầu các giả định mạnh hơn một chút (tính đa biến) để hoàn thành kỳ tích này.


Có một trang web ngoài đó, nơi họ chàng trai chống lại việc giết người và có vẻ như anh ta có một số điểm hợp lệ. Tôi nghĩ rằng đoạn cuối cùng của bạn ở đây là rất sáng.
Wayne

@Wayne Vâng, bạn có thể nói những gì tôi đang phản ứng. Nhưng mặc dù các chuyên gia tư vấn đã sử dụng "dầu rắn", nhưng nó có rất nhiều ý nghĩa, bao gồm cả lý thuyết "thay đổi hỗ trợ" để so sánh dữ liệu thu được từ (ví dụ) các mẫu nhỏ của phương tiện với dữ liệu thu được từ lớn hơn nhiều các phần của phương tiện đó. Kriging cuối cùng là ở dưới cùng của mô hình không gian phức tạp nhất hiện nay. Đây cũng là một cách hữu ích để đánh giá các đề xuất thay thế: ví dụ: nhiều bộ nội suy không gian là tuyến tính (hoặc có thể được tuyến tính hóa), vì vậy thật công bằng khi so sánh phương sai ước lượng của chúng với phương pháp phá hoại.
whuber

1

Kriging chỉ đơn giản là ước lượng bình phương tối thiểu cho dữ liệu không gian. Do đó, nó cung cấp một công cụ ước lượng không thiên vị tuyến tính để giảm thiểu tổng các lỗi bình phương. Vì nó không thiên vị, MSE = phương sai của công cụ ước tính và là mức tối thiểu.


Tôi đã không nhận được phần tính toán lỗi sai. Ngoài ra, tôi cũng bối rối với phương sai và phương sai. Sự khác biệt là gì và tầm quan trọng của chúng là gì
user31820

@whuber. Cảm ơn đã giải thích nhưng tôi đã không nhận được đạo hàm khi bạn tính MSE của giá trị được dự đoán bởi ước tính không thiên vị và ước lượng thực. Dòng thứ hai được cụ thể trong phương trình đó
user31820

@whuber Ngoài ra, tôi đã không nhận được phần wiki khi nó tính toán phương sai sai tương tự như phần trong câu trả lời của bạn. Họ có cùng kết quả nhưng các điều khoản ban đầu là khác nhau. Làm thế nào mà?
dùng31820
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.