আমি ফিশারের তথ্য, এটি কীভাবে পরিমাপ করে এবং কীভাবে সহায়ক তা নিয়ে আরামদায়ক নই। এছাড়াও এটি ক্র্যামার-রাওর সাথে আবদ্ধ হওয়ার সম্পর্ক আমার কাছে আপাত নয়।
কেউ দয়া করে এই ধারণাগুলির একটি স্বজ্ঞাত ব্যাখ্যা দিতে পারেন?
আমি ফিশারের তথ্য, এটি কীভাবে পরিমাপ করে এবং কীভাবে সহায়ক তা নিয়ে আরামদায়ক নই। এছাড়াও এটি ক্র্যামার-রাওর সাথে আবদ্ধ হওয়ার সম্পর্ক আমার কাছে আপাত নয়।
কেউ দয়া করে এই ধারণাগুলির একটি স্বজ্ঞাত ব্যাখ্যা দিতে পারেন?
উত্তর:
এখানে আমি ব্যাখ্যা করেছি যে কেন সর্বাধিক সম্ভাবনা অনুমানকারীটির asympotic প্রকরণটি ক্র্যামার-রাও নিম্ন সীমানা। আশা করি এটি ফিশারের তথ্যের প্রাসঙ্গিকতা সম্পর্কে কিছু অন্তর্দৃষ্টি প্রদান করবে।
আপনি ডেটা থেকে তৈরি করেন এমন সম্ভাবনা ফাংশন ব্যবহার করে পরিসংখ্যানগত অনুমানন এগিয়ে যায় । বিন্দু অনুমান the এমন মান যা সর্বোচ্চ । অনুমানকারী a একটি এলোমেলো পরিবর্তনশীল, তবে এটি উপলব্ধি করতে সহায়তা করে যে সম্ভাবনা ফাংশন একটি "এলোমেলো বক্রিয়া"।θ এল ( θ ) θ এল ( θ )
এখানে আমরা আইডির একটি ডিস্ট্রিবিউশন থেকে প্রাপ্ত ডেটা ধরে নিয়েছি এবং আমরা L ( θ ) = 1
প্যারামিটার- এমন বৈশিষ্ট্য রয়েছে যে এটি "সত্য" সম্ভাবনার মান সর্বাধিক করে তোলে, । যাইহোক, "পর্যবেক্ষণ" সম্ভাবনা ফাংশন যা তথ্য থেকে তৈরি করা হয় প্রকৃত সম্ভাবনা থেকে কিছুটা "বন্ধ"। তবুও আপনি যেমন কল্পনা করতে পারেন, নমুনার আকার বাড়ার সাথে সাথে "পর্যবেক্ষণ করা" সম্ভাবনাটি সত্য সম্ভাবনা বক্রের আকারে রূপান্তরিত করে। প্যারামিটার, স্কোর ফাংশন ক্ষেত্রে সম্ভাব্যতার ডেরিভেটিভ একই ক্ষেত্রে একই প্রযোজ্য । (দীর্ঘ গল্প সংক্ষেপে, ফিশার তথ্য নির্ধারণ করে যে পর্যবেক্ষণ করা স্কোর ফাংশনটি কত দ্রুত সত্য স্কোর ফাংশনের আকারে রূপান্তরিত করে।ই এল ( θ ) এল ( θ ) ∂ এল / ∂ θ θ
বৃহৎ নমুনা আকার এ, আমরা অনুমান যে আমাদের সর্বোচ্চ সম্ভাবনা অনুমান খুব কাছাকাছি । আমরা আশেপাশে একটি ছোট্ট পাড়ায় জুম করি and এবং into যাতে সম্ভাবনা ফাংশনটি "স্থানীয়ভাবে চতুষ্কোণ" হয়। θθ θ
সেখানে, the এমন বিন্দু যেখানে স্কোর ফাংশন ছেদ করে। এই ছোট অঞ্চলে, আমরা স্কোর ফাংশনটিকে একটি লাইন হিসাবে দেখি , একটি এবং র্যান্ডম ইন্টারসেপ্ট - । আমরা একটি লাইনের সমীকরণ থেকে জানি ∂এল/∂θএকটিখθ
অথবা
এমএলই অনুমানের ধারাবাহিকতা থেকে আমরা জানি
সীমাতে।
অতএব, অ্যাসিপোটোটিকভাবে
এটি দেখা যাচ্ছে যে interালটি ইন্টারসেপ্টের চেয়ে অনেক কম পরিবর্তিত হয় এবং অ্যাসিপোটোটিকভাবে আমরা স্কোর ফাংশনটিকে কাছাকাছি একটি ছোট্ট পাড়ায় স্থির sl । এভাবে আমরা লিখতে পারি
সুতরাং, এবং এর মানগুলি কী ? দেখা যাচ্ছে যে অসাধারণ গাণিতিক কাকতালীয় কারণে ফিশারের তথ্য, এগুলি একই পরিমাণে (মাইনাস বিয়োগ চিহ্ন)।এন ভি একটি আর ( খ )
সুতরাং,
আমি ফিশারের তথ্যগুলি বোঝার একটি উপায় নিম্নলিখিত সংজ্ঞা দ্বারা হয়:
ঘনত্ব দ্বিগুণ পার্থক্যযোগ্য হলে ফিশার তথ্য এইভাবে লেখা যেতে পারে । যদি নমুনা স্পেস the পরামিতি উপর নির্ভর করে না , তবে আমরা প্রথম শব্দটি শূন্য হয় তা দেখানোর জন্য লাইবনিজ অবিচ্ছেদ্য সূত্রটি ব্যবহার করতে পারি ( উভয় পক্ষের পার্থক্য দ্বিগুণ এবং আপনি শূন্য পাবেন) এবং দ্বিতীয় শব্দটি হ'ল "স্ট্যান্ডার্ড" সংজ্ঞা। প্রথম মেয়াদ শূন্য হলে আমি মামলা নেব। ক্ষেত্রেগুলি যখন শূন্য হয় না তখন ফিশার তথ্য বোঝার জন্য খুব বেশি ব্যবহার হয় না।
এখন আপনি যখন সর্বাধিক সম্ভাবনা অনুমান করেন (এখানে "নিয়মিততার শর্তাবলী" সন্নিবেশ করুন) আপনি সেট করেন
এবং জন্য সমাধান । তাই দ্বিতীয় ব্যুৎপন্ন বলছেন কত তাড়াতাড়ি গ্রেডিয়েন্ট পরিবর্তন করা হয়, এবং একটি অর্থে "কতদূর" MLE থেকে উপরে সমীকরণের ডান দিকে মধ্যে উপলব্ধিজনক পরিবর্তন না করে প্রস্থান করতে পারেন। আপনি যেভাবে ভাবতে পারেন তার অন্য কোনও উপায় হ'ল কাগজে আঁকা একটি "পর্বত" কল্পনা করা - এটি লগ-সম্ভাবনা ফাংশন। উপরের এমএলই সমীকরণটি সমাধান করা আপনাকে জানায় যে এই পাহাড়ের শিখরটি এলোমেলো পরিবর্তনশীল ফাংশন হিসাবে অবস্থিত । দ্বিতীয় ডেরাইভেটিভ আপনাকে জানায় যে পর্বতটি কতটা খাড়া - যা এক অর্থে আপনাকে বলে যে পর্বতের শিখরটি খুঁজে পাওয়া কতটা সহজ। ফিশারের তথ্যটি প্রত্যাশিত শিখরের উচ্চতা গ্রহণ থেকে আসে এবং তাই এর কিছুটা "প্রাক-ডেটা" ব্যাখ্যা থাকে।
একটি বিষয় যা আমি এখনও কৌতূহল বোধ করি তা হ'ল লগ-সম্ভাবনাটি কতটা খাড়া এবং সম্ভাবনার কিছু একঘেয়েমি ফাংশন কতটা খাড়া নয় (সম্ভবত সিদ্ধান্ত তত্ত্বের "সঠিক" স্কোরিং ফাংশনগুলির সাথে সম্পর্কিত? অথবা এন্ট্রপির ধারাবাহিকতা অক্ষের সাথে থাকতে পারে) ?)।
ফিশার তথ্যগুলি ল্যাপ্লেস আনুমানিকতা হিসাবে পরিচিত বলে কারণে অনেকগুলি অ্যাসিম্পোটিক বিশ্লেষণে "প্রদর্শিতও হয়"। এটি মূলত যে কোনও "গোলাকৃতি" একক সর্বাধিক উচ্চতর এবং উচ্চতর শক্তির উত্থানের সাথে কোনও ক্রিয়াকলাপ গাউসীয় ফাংশন- মধ্যে চলে যায় (কেন্দ্রীয় সীমাবদ্ধ তত্ত্বের অনুরূপ, তবে কিছুটা বেশি) সাধারণ). সুতরাং যখন আপনার কাছে একটি বড় নমুনা থাকে আপনি কার্যকরভাবে এই অবস্থানে থাকবেন এবং আপনি লিখতে পারেন:
এবং যখন আপনি টেলর এমএলই সম্পর্কে লগ-সম্ভাবনা প্রসারিত করেন:
যা একটি অখণ্ড দ্বারা কোনও যোগফল প্রতিস্থাপনের সাধারণত ভাল আনুমানিকতার পরিমাণ, তবে এর জন্য ডেটা স্বতন্ত্র হওয়া দরকার। সুতরাং বৃহত স্বতন্ত্র নমুনার জন্য (প্রদত্ত ) আপনি দেখতে পাচ্ছেন যে ফিশারের তথ্য এমএলইর বিভিন্ন মানের জন্য এমএলই কত পরিবর্তনশীল।
এটি আমি এখনও অবধি দেখা সবচেয়ে স্বজ্ঞাত নিবন্ধ:
আবাদের উদ্যানটি অ্যাডন গার্ডেনে অ্যাডাম এবং হাওয়ার একটি সাদৃশ্য দ্বারা ব্যাখ্যা করা হয়েছে যে ফলটি খেতে څوک পায় তা দেখতে তারা একটি মুদ্রা ছুঁড়ে মারে এবং তারা তখন নিজেকে জিজ্ঞাসা করে যে তাদের প্রাক্কলনটিতে নির্ভুলতার একটি নির্দিষ্ট স্তর অর্জনের জন্য কত বড় একটি নমুনা প্রয়োজন, এবং তারপরে তারা এই সীমাবদ্ধ আবিষ্কার করে ...
বাস্তবতা সম্পর্কে প্রকৃতপক্ষে একটি গভীর বার্তা সহ দুর্দান্ত গল্প।
যদিও উপরে প্রদত্ত ব্যাখ্যাগুলি খুব আকর্ষণীয় এবং সেগুলির মধ্য দিয়ে যেতে আমি আনন্দ পেয়েছি, আমি অনুভব করি যে জ্যামিতিক দৃষ্টিকোণ থেকে ক্র্যামার-রাও লোয়ার বাউন্ডের প্রকৃতি আমার পক্ষে সবচেয়ে ভাল ব্যাখ্যা করা হয়েছিল। এই স্বীকৃতিটি স্ট্যাটিস্টিকাল সিগন্যাল প্রসেসিং সম্পর্কিত স্কার্ফের বইয়ের Chapter ষ্ঠ অধ্যায় থেকে ঘনত্বের উপবৃত্তের ধারণার সংক্ষিপ্তসার ।
কোন নিরপেক্ষ মূল্নির্ধারক বিবেচনা করুন । উপরন্তু, অনুমান মূল্নির্ধারক সহভেদাংক সঙ্গে একটি গসিয়ান ডিস্ট্রিবিউশন আছে । এই অবস্থার অধীনে, এর বিতরণ আনুপাতিক:
।
আর distribution 2 এ for এর জন্য এই বিতরণের কনট্যুর প্লটগুলি সম্পর্কে ভাবেন । (যেমন, ) এর সম্ভাব্যতার উপর কোনও উচ্চতর আবদ্ধ বাধা সৃষ্টি করবে যার ফলে একটি কেন্দ্র করে fixed স্থির ব্যাসার্ধ । এটি দেখানো সহজ যে ব্যাসার্ধ এবং কাঙ্ক্ষিত সম্ভাবনা মধ্যে একের মধ্যে একটি সম্পর্ক রয়েছে । অন্য কথায়, পাসে হবে ব্যাসার্ধ দ্বারা নির্ধারিত একটি উপবৃত্ত মধ্যে সম্ভাব্যতা সঙ্গেθ ∫ চ ( θ ) ঘ θ ≤ পি দ θ দ দ পি দ θ θ দ পি দ। এই এলিপসয়েডকে ঘনত্বের উপবৃত্ত বলা হয়।
উপরের বর্ণনাকে বিবেচনা করে আমরা সিআরএলবি সম্পর্কে নিম্নলিখিতটি বলতে পারি। সমস্ত পক্ষপাতহীন অনুমানকারীগুলির মধ্যে, সিআরএলবি একটি অনুমানকারী সাথে প্রতিনিধিত্ব করে যা "ঘনিষ্ঠতা" (উপরে বর্ণিত হিসাবে) এর নির্দিষ্ট সম্ভাবনার জন্য , সবচেয়ে কম ঘনত্বের উপবৃত্তাকার। নীচের চিত্রটি একটি 2D চিত্র সরবরাহ করেছে ( স্কার্ফের বইয়ের চিত্র দ্বারা অনুপ্রাণিত )।Σগদঠখপিদ