কোনও বয়েসিয়ান মডেল ফিট করার সময় কীভাবে বিশেষজ্ঞদের পূর্ব থেকে বিতরণ করা উচিত?
উত্তর:
জন কুক কিছু আকর্ষণীয় প্রস্তাব দেয়। মূলত, বিশেষজ্ঞদের কাছ থেকে পেরেন্টাইল / কোয়ান্টাইলগুলি (মানে বা অস্পষ্ট স্কেল পরামিতি নয়!) পান এবং উপযুক্ত বিতরণে তাদের ফিট করুন।
http://www.johndcook.com/blog/2010/01/31/parameters-from-percentiles/
আমি বর্তমানে আমার মাস্টার্স থিসিসের জন্য একটি এলিকিটেশন কৌশল হিসাবে ট্রায়াল রুলেট পদ্ধতিটি গবেষণা করছি । এটি একটি গ্রাফিকাল পদ্ধতি যা কোনও বিশেষজ্ঞকে তার অনিয়মিত পরিমাণের জন্য তার বিষয়গত সম্ভাবনা বন্টনকে উপস্থাপন করতে দেয়।
বিশেষজ্ঞদের কাউন্টার দেওয়া হয় (বা ক্যাসিনো চিপ হিসাবে কী ভাবতে পারে) সমান ঘনত্বের প্রতিনিধিত্ব করে যার মোট যোগফল 1 - উদাহরণস্বরূপ সম্ভাবনার 20 চিপস = 0.05 প্রতিটি each এরপরে তাদেরকে প্রাক-মুদ্রিত গ্রিডে সাজানোর জন্য নির্দেশ দেওয়া হয়, ফলাফলের বিরতির প্রতিনিধিত্বকারী বিনগুলি দিয়ে। প্রতিটি কলামই সংশ্লিষ্ট বিন ফলাফল পাওয়ার সম্ভাবনা সম্পর্কে তাদের বিশ্বাসের প্রতিনিধিত্ব করবে।
উদাহরণ: একজন শিক্ষার্থীকে ভবিষ্যতের পরীক্ষায় নম্বরটি পূর্বাভাস দিতে বলা হয়। নীচের চিত্রটি একটি সাবজেক্টিভ সম্ভাব্যতা বন্টন elication জন্য একটি সম্পূর্ণ গ্রিড দেখায়। গ্রিডের অনুভূমিক অক্ষটি শিক্ষার্থীকে বিবেচনা করতে বলা হয়েছিল এমন সম্ভাব্য বিনগুলি (বা চিহ্ন ব্যবধানগুলি) দেখায়। শীর্ষ সারিতে থাকা সংখ্যাগুলি বিন প্রতি চিপসের সংখ্যা রেকর্ড করে। সম্পূর্ণ গ্রিড (মোট ২০ টি চিপ ব্যবহার করে) দেখায় যে শিক্ষার্থী বিশ্বাস করে যে 30% সম্ভাবনা রয়েছে যে চিহ্নটি 60 এবং 64.9 এর মধ্যে থাকবে।
এই কৌশলটি ব্যবহারের পক্ষে কয়েকটি কারণ হ'ল:
বিশেষজ্ঞের সাবজেক্টিভ সম্ভাব্যতা বন্টনের আকার সম্পর্কে অনেক প্রশ্নের বিশেষজ্ঞের কাছে দীর্ঘ সিরিজের প্রশ্ন না দেওয়ার প্রয়োজনে উত্তর দেওয়া যেতে পারে - পরিসংখ্যানবিদ কোনও নির্দিষ্ট পয়েন্টের উপরে বা নীচে ঘনত্বটি কেবল পড়তে পারেন বা যে কোনও দুটি পয়েন্টের মধ্যে রয়েছে।
ইলেক্টিশন প্রক্রিয়া চলাকালীন, বিশেষজ্ঞরা প্রথমে যেভাবে তাদের স্থাপন করেছিলেন তাতে অসন্তুষ্ট হলে তারা চিপগুলির চারপাশে ঘুরে বেড়াতে পারে - সুতরাং তারা চূড়ান্ত ফলাফল জমা দেওয়ার বিষয়ে নিশ্চিত হতে পারে।
এটি বিশেষজ্ঞকে প্রদত্ত সম্ভাবনার সংস্থায় সুসংগত হতে বাধ্য করে। সমস্ত চিপ ব্যবহার করা হয়, সম্ভাব্যতা এক হতে হবে।
গ্রাফিকাল পদ্ধতিগুলি আরও সঠিক ফলাফল সরবরাহ করে বলে মনে হয় বিশেষত পরিসংখ্যানমূলক পরিশীলনের পরিমিত স্তরের অংশগ্রহণকারীদের জন্য।
প্রিয়ারদের ইলেক্ট করা একটি কৌতুকপূর্ণ ব্যবসা।
সম্ভাব্যতা বন্টন এবং এলিকিট সম্ভাবনা বিতরণের জন্য পরিসংখ্যানগত পদ্ধতি পূর্বের ক্ষমতার জন্য যথেষ্ট ভাল ব্যবহারিক গাইড। উভয় কাগজের প্রক্রিয়াটি নিম্নরূপরেখা করা হয়েছে:
অবশ্যই, তারা এও পর্যালোচনা করে যে কীভাবে বন্টনগুলির সাথে উপযুক্ত বা অন্যভাবে সংজ্ঞায়িত হতে পারে এমন তথ্যের ফলস্বরূপ ফলাফল (উদাহরণস্বরূপ, বায়েশীয় প্রসঙ্গে, বিটা বন্টনগুলিতে ), তবে তারা গুরুত্বপূর্ণ, তারা মডেলিং বিশেষজ্ঞ জ্ঞানের সাধারণ সমস্যাগুলি (অ্যাঙ্করিং, সরু এবং ছোট লেজযুক্ত বিতরণ ইত্যাদি)।
আমি বিষয় বিশেষজ্ঞকে পূর্বের গড় বা মোড নির্দিষ্ট করার অনুমতি দেওয়ার পরামর্শ দিচ্ছি তবে তারা স্কেল হিসাবে যা দেয় তা সামঞ্জস্য করতে আমি নির্দ্বিধায় বোধ করি । বেশিরভাগ লোকেরা বৈকল্পিক পরিমাণ নির্ধারণে খুব ভাল নন।
এবং আমি অবশ্যই বিশেষজ্ঞকে বিতরণ পরিবারটি নির্দিষ্ট করতে দেব না, বিশেষত লেজের বেধ। উদাহরণস্বরূপ, ধরুন আপনার কোনও পূর্বের জন্য একটি প্রতিসম বিতরণ প্রয়োজন। কেউ কেউ তাদের ব্যক্তিসত্তার বিশ্বাসকে এতটা সূক্ষ্মভাবে নির্দিষ্ট করতে পারে না যে, সাধারণ ডিস্ট্রিবিউশন থেকে 5 ডিগ্রি সহ একটি শিক্ষার্থী-বিতরণকে আলাদা করা যায়। তবে কিছু প্রসঙ্গে টি (5) পূর্বের স্বাভাবিক পূর্বের চেয়ে অনেক বেশি শক্তিশালী। সংক্ষেপে, আমি মনে করি লেজের বেধের পছন্দটি একটি প্রযুক্তিগত পরিসংখ্যান বিষয়, বিশেষজ্ঞের মতামতকে বিচার করার বিষয়টি নয়।
এই আকর্ষণীয় প্রশ্নটি ACERA এর কিছু গবেষণার বিষয় । প্রধান গবেষক হলেন অ্যান্ড্রু স্পিয়ারস-ব্রিজ এবং তাঁর কাজ বিশিষ্ট গুগল-সক্ষম :)