Bối cảnh (có thể bỏ qua)
Tôi sẽ suy nghĩ theo thuật ngữ quyết định như sau. Người dùng phải chọn một hành độnga giữa một loạt các khả năng A. Hành động này sẽ mang lại cho anh ấy / cô ấy một số "tiện ích" (một khái niệm thường được sử dụng trong kinh tế)u(a;s) tùy thuộc vào trạng thái tự nhiên s điều đó sẽ được thực hiện trong tương lai, nơi s∈S, một tập hợp tất cả các trạng thái có thể. .
maxa∈AESu(a;s).
Sự lựa chọn hành động dựa trên dự báo về trạng thái tự nhiên sẽ được hiện thực hóa. Đưa ra một dự báo mật độf^S(⋅), người dùng có thể tính toán tiện ích dự kiến của một hành động cụ thể bằng cách tích hợp tiện ích của hành động đó vào phân phối dự đoán của các trạng thái tự nhiên,
ES^u(a;s)=∫u(a;s)f^S(s)ds.
Sau đó, anh ấy / cô ấy chọn hành động (trong số tất cả những hành động có thể) tối đa hóa tiện ích mong đợi này,
a^∗:=argmaxa∈AES^u(a;s). Giá trị dự kiến của tiện ích tại hành động này, đối với dự báo mật độ này là
u^∗:=u(a^∗).
Nếu chức năng tiện ích có mức tối đa duy nhất (chức năng mất có mức tối thiểu duy nhất), thì hành động tối ưu là duy nhất. Nếu trạng thái tự nhiên là một biến ngẫu nhiên liên tục , tồn tại một điểm trong phân bố (trạng thái tự nhiên) mang lại chính xác u^∗. Điểm đó xác định mục tiêu của dự báo điểm "có liên quan". Do đó, người dùng sẽ nhận được chính xác tiện ích dự kiến tối đa hóa (trên tất cả các hành động có thể) bất kể dự báo anh ta nhận được là dự báo mật độ hay dự báo điểm "có liên quan" (khối lượng xác suất đơn vị trên một trạng thái tự nhiên nhất định), được cung cấp chất lượng của hai dự báo là "tốt như nhau" (cách dễ nhất để hiểu theo cách trực quan là xem xét trường hợp cả dự báo điểm và mật độ là hoàn hảo).
Phần chính (xem nền để biết thêm chi tiết)
Tôi nghĩ thật hợp lý khi cho rằng tính hữu ích của dự báo được phản ánh đầy đủ bởi sự mất mát mà nó gây ra cho một người dùng nhất định. Sau đó, mục tiêu của người dùng là chọn một dự báo để giảm thiểu tổn thất dự kiến. Do đó, được phân phối dự đoán, người dùng sẽ thực hiện một chức năng cụ thể (ví dụ: dự đoán trung bình) để giảm thiểu tổn thất dự kiến. Phần còn lại của mật độ dự đoán sẽ không có bất kỳ giá trị gia tăng nào cho người dùng.
Nếu hàm mất có mức tối thiểu duy nhất, hàm sẽ có giá trị đơn và giá trị đó sẽ là dự báo điểm phù hợp cho người dùng. Ví dụ: nếu hàm mất của người dùng là bậc hai (có mức tối thiểu duy nhất ở mức trung bình của phân phối thực), anh ấy / cô ấy sẽ chỉ quan tâm đến dự báo về giá trị trung bình. Nếu một người dùng khác đang đối mặt với sự mất mát tuyệt đối (có mức tối thiểu duy nhất ở mức trung bình của phân phối thực sự), anh ấy / cô ấy sẽ chỉ quan tâm đến dự báo về trung vị. Việc cung cấp dự báo mật độ cho một trong hai người dùng này ngoài dự báo về trung bình và trung bình, tương ứng, sẽ có giá trị gia tăng bằng không đối với họ.
Elliott và Timmermann (2016a) viết trên p. 423-424 (liên quan đến đánh giá dự báo mật độ):
Một cách để [đánh giá dự báo mật độ] sẽ là chuyển đổi dự báo mật độ thành dự báo điểm và sử dụng các phương pháp để đánh giá dự báo điểm. Cách tiếp cận đơn giản này để đánh giá dự báo mật độ có thể phù hợp vì một số lý do. <...> [D] dự báo đảm bảo có thể được chứng minh với lý do có nhiều người dùng với các chức năng mất khác nhau. Bất kỳ một trong những người dùng này có thể kiểm tra hiệu suất của dự báo mật độ có tham chiếu đến chức năng mất cụ thể được coi là phù hợp với vấn đề của họ. Thước đo liên quan của hiệu suất dự báo là tổn thất trung bình được tính từ mỗi hàm mất cụ thể của người dùng.
Ngoài ra, với một hàm mất đã biết, dự báo mật độ thậm chí có thể kém hơn dự báo điểm có liên quan, vì hai lý do sau. Đầu tiên, dự báo mật độ thường khó sản xuất hơn dự báo điểm. Thứ hai, họ có thể đánh đổi độ chính xác / độ chính xác tại một điểm cụ thể (giả sử, trung bình hoặc trung bình) để lấy độ chính xác / chính xác trên toàn bộ phân phối đang được dự đoán. Đó là, nếu người ta dự đoán toàn bộ mật độ, người ta có thể phải hy sinh một số độ chính xác / độ chính xác để dự báo giá trị trung bình để có được độ chính xác / độ chính xác cao hơn ở nơi khác. Như Elliott và Timmermann (2016b) viết,
[T] ông mối quan hệ giữa các quy tắc chấm điểm phổ biến trong tài liệu và các chức năng mất cơ bản cho người dùng cá nhân là không rõ ràng. Do đó, quy tắc chấm điểm được sử dụng cung cấp ước tính kém về tính năng của phân phối có điều kiện mà một số người dùng muốn xây dựng.
Một trích dẫn tương tự có thể được tìm thấy trong Elliott và Timmermann (2016a) , p. 277-278:
Dường như việc cung cấp mật độ dự đoán là vượt trội so với báo cáo dự báo điểm vì cả hai (a) có thể được kết hợp với hàm mất để tạo ra bất kỳ dự báo điểm nào; và (b) không phụ thuộc vào hàm mất. Trong ước tính cổ điển về mật độ dự đoán, cả hai điểm này đều không thực sự theo kịp trong thực tế. <...> [I] n cài đặt cổ điển các phân phối dự đoán ước tính phụ thuộc vào chức năng mất. Tất cả các tham số của mật độ dự đoán cần phải được ước tính và các ước tính này yêu cầu một số hàm mất, vì vậy các hàm mất được đưa trở lại vào hỗn hợp. Điều đáng chú ý ở đây là các hàm mất mát thường được sử dụng trong ước tính mật độ không khớp với các hàm được sử dụng để dự báo điểm có thể dẫn đến dự báo điểm kém hơn. <...> Hơn nữa,
Do đó, khi chức năng mất được đưa ra, có thể có ý nghĩa tập trung vào dự báo điểm cụ thể phù hợp với chức năng mất hơn là cố gắng dự báo toàn bộ phân phối. Điều này có thể dễ dàng hơn để làm và / hoặc chính xác hơn.
Một câu hỏi quan trọng đối với bản thân tôi: có thể là dự báo điểm "có liên quan" có thể được biểu thị như là một hàm của mật độ không xác định mà là khác nhau (như là một hàm, không chỉ là giá trị của nó) cho các mật độ khác nhau? Sau đó, một dự báo mật độ sẽ là cần thiết để tìm ra dự báo điểm nào mà người ta quan tâm, làm cho dự báo mật độ trở thành một bước không thể tránh khỏi trong quá trình dự báo điểm.
Người giới thiệu: