ল্যাসো / লারস বনাম জেনারেল টু সুনির্দিষ্ট (জিইটিএস) পদ্ধতি


15

আমি ভাবছিলাম, লাসো এবং লারস মডেল নির্বাচনের পদ্ধতিগুলি কেন এত জনপ্রিয় কেন যদিও তারা মূলত ধাপে অগ্রিম নির্বাচনের পরিবর্তনের (এবং এভাবে পথ নির্ভরতা থেকে ভুগছে)?

একইভাবে, মডেল নির্বাচনের জন্য জেনারেল টু স্পেসিফিক (জিইটিএস) পদ্ধতিগুলিকে কেন বেশিরভাগ ক্ষেত্রে উপেক্ষা করা হচ্ছে, যদিও তারা ধাপে ধাপে রিগ্রেশন সমস্যায় ভুগছেন না বলে তারা এলএআরএস / ল্যাসো-র চেয়ে আরও ভাল করেছে? ( জিইটিএসের জন্য প্রাথমিক রেফারেন্স: http://www.federalreserve.gov/pubs/ifdp/2005/838/ifdp838.pdf - এর মধ্যে নতুন অ্যালগরিদম একটি বিস্তৃত মডেল এবং ট্রি অনুসন্ধানের সাথে শুরু হয় যা পথ নির্ভরতা এড়ায়, এবং এটি দেখানো হয়েছে প্রায়শই লাসো / লার্সের চেয়ে ভাল করে)।

এটি কেবল আশ্চর্যজনক বলে মনে হচ্ছে, লারস / লাসো জেনারেল টু স্পেসিফিকের (জিইটিএস) তুলনায় এত বেশি এক্সপোজার এবং উদ্ধৃতি পেয়েছে, কারও কি কিছু চিন্তা আছে?

উত্তপ্ত বিতর্ক শুরু করার চেষ্টা না করা, সাহিত্যে জিইটিএসের চেয়ে লাসো / লার্সের দিকে কেন মনোযোগ কেন দেয় এবং যুক্তিসঙ্গত ব্যাখ্যার সন্ধান করতে আরও কিছু লোক আসলে লাসো / লারসের ত্রুটিগুলি নির্দেশ করে।


এখানে নির্ভর পথ বলতে কী বোঝ ? এছাড়াও, আপনি জিইটিএস-এর জন্য দিতে পারেন এমন আরও কিছু অনুমোদনযোগ্য রেফারেন্স আছে? আমি এর সাথে পরিচিত নই।
কার্ডিনাল

এখানে একটি আরও ভাল, আরও " অনুমোদনযোগ্য " রেফারেন্স রয়েছে যা লাসোরও উল্লেখ করেছে: ডিগ্রুয়াইটার / ভিউ / জে / জেটস.২.১.৩.১ / জেটস.সি.১.১.৩.১.১০৯7 /
টরটিলা

আমি যা বোঝাতে চাইছিলাম তাও যুক্ত করতে যাচ্ছিল: সুতরাং আপনি একের পর এক উল্লেখযোগ্য রেজিস্ট্রার যুক্ত করেছেন, তবে এই পদ্ধতির সাহায্যে আপনি যদি একটি রেজিস্ট্রারদের মধ্যে পারস্পরিক সম্পর্কের উপর ভিত্তি করে একটিকে তুচ্ছ করতে পারেন তবে তা তুচ্ছ হতে পারে। সুতরাং, একবার যুক্ত হয়ে গেলে পথ নির্ভরতা হয় যে এই রেজিস্টার এখন সেট করা আছে এবং ফেলে দেওয়া যায় না। ঘটনাটি কি তাই না?
টরটিলা

1
ভাসিয়েবলের মধ্য দিয়ে লাসো দিয়ে মাঝপথে নামা সম্ভব, যদি এর সহগ পথটি বরাবর শূন্যকে অতিক্রম করে। আপনি কি এফ্রন এট আল এর সাথে পরিচিত? LARS উপর মূল নিবন্ধ? এটি একটি সুন্দর জ্যামিতিক গন্ধের সাথে এটি বিশদভাবে ব্যাখ্যা করে।
কার্ডিনাল

2
আমি মনে করি লাসো জনপ্রিয় কারণ এটি হাইপোথিসিস টেস্টিংয়ের একটি থেকে পরামিতি অনুমানের একটিতে মডেল নির্বাচন সমস্যাটিকে কার্যকরভাবে পুনরায় কাস্ট করে।
সম্ভাব্যতাবিহীন

উত্তর:


2

দাবি পরিত্যাগী: আমি অন্যদের মধ্যে ডেভিড এফ হেন্ডরির মডেল নির্বাচনের কাজটির সাথে কেবল দূরবর্তীভাবেই পরিচিত। আমি তবে সম্মানিত সহকর্মীদের কাছ থেকে জানি যে হেনড্রি একনোমেট্রিক্সের মধ্যে মডেল নির্বাচন সমস্যা নিয়ে খুব আকর্ষণীয় অগ্রগতি করেছেন। মডেল নির্বাচনের বিষয়ে তাঁর পরিসংখ্যান সাহিত্যের পক্ষে যথেষ্ট মনোযোগ দিচ্ছে না কিনা তা বিচার করার জন্য আমার অংশটির জন্য আরও অনেক বেশি কাজ প্রয়োজন।

তবে, কেন একটি পদ্ধতি বা ধারণা অন্যের তুলনায় অনেক বেশি ক্রিয়াকলাপ তৈরি করে তা বোঝার চেষ্টা করা আকর্ষণীয়। সন্দেহ নেই যে বিজ্ঞানেও ফ্যাশনের দিক রয়েছে। আমি এটি দেখতে পাচ্ছি, খুব সহজেই প্রকাশিত অপ্টিমাইজেশান সমস্যার সমাধান হওয়ার একটি বড় সুবিধা লাসো (এবং বন্ধুরা) রয়েছে। এটি সমাধানের বিশদ তাত্ত্বিক বোঝার এবং বিকাশক্ষম দক্ষ অ্যালগরিদমের মূল চাবিকাঠি। সাম্প্রতিক বই, পরিসংখ্যানগুলির জন্য উচ্চ-মাত্রিক ডেটাবাহ্লমান এবং ভ্যান দে গির লাশো সম্পর্কে ইতিমধ্যে কতটা জানা তা চিত্রিত করে।

আপনি অফুরন্ত সিমুলেশন অধ্যয়ন করতে পারেন এবং আপনি অবশ্যই কোনও নির্দিষ্ট প্রয়োগের জন্য সবচেয়ে প্রাসঙ্গিক এবং উপযোগী পদ্ধতিগুলি প্রয়োগ করতে পারেন তবে পরিসংখ্যানের সাহিত্যের অংশগুলির জন্য যথেষ্ট তাত্ত্বিক ফলাফলও অর্জন করতে হবে। সেই লাসো প্রচুর ক্রিয়াকলাপ তৈরি করেছে যে প্রতিফলিত করে যে সেখানে এমন তাত্ত্বিক প্রশ্ন রয়েছে যা আসলে কাছে যেতে পারে এবং তাদের আকর্ষণীয় সমাধান রয়েছে।

আর একটি বিষয় লাসো বা তারতম্যগুলি করে অনেক ক্ষেত্রে ভাল সঞ্চালন। ওপির পরামর্শ অনুসারে লাসো অন্যান্য পদ্ধতির দ্বারা সহজেই ছড়িয়ে পড়েছে এ বিষয়টি সঠিক বলে আমি নিশ্চিত নই। হতে পারে (কৃত্রিম) মডেল নির্বাচনের ক্ষেত্রে তবে ভবিষ্যদ্বাণীপূর্ণ পারফরম্যান্সের ক্ষেত্রে নয়। উল্লিখিত উল্লেখগুলির মধ্যে কোনওটিই সত্যিই গেটস এবং লাসোর সাথে তুলনা করে না।


2

লাসো এবং লার্স মডেল নির্বাচনের পদ্ধতিগুলি কেন এত জনপ্রিয় তবে তারা মূলত ধাপে অগ্রিম নির্বাচনের বৈচিত্র মাত্র

লাসো এবং (জিইটিএস) সাবসেট নির্বাচনের মধ্যে পার্থক্য রয়েছে: লাসো একটি উপাত্ত-নির্ভর উপায়ে (জিইটিএস) সাবসেট নির্বাচন না করে যখন কো-ফলকগুলিকে শূন্যের দিকে সঙ্কুচিত করে। এটি লাসো ওভার (জিইটিএস) সাবসেট নির্বাচনের একটি সুবিধা বলে মনে হচ্ছে, যদিও মাঝে মাঝে এটি ব্যর্থ হয় (এটি সাধারণত প্যারামিটার টিউনিংয়ের দরকার হয় যা সাধারণত ক্রস বৈধকরণের মাধ্যমে করা হয়, এবং মাঝে মাঝে আমরা খারাপভাবে সুর করতে পারি)।

(জিইটিএস) পদ্ধতি <...> এলএআরএস / ল্যাসো থেকে আরও ভাল করে

নিরপেক্ষ (?) গবেষকরা যখন করেছেন তখন জিইটিএসের পারফরম্যান্স তুলনামূলক মানের বলে মনে হয় (যদিও জেটিএসের একটি নতুন সংস্করণ প্রস্তাব করা হয়েছে এমন কাগজপত্রগুলিতে এমনটি হয় না - তবে এটিই আপনি প্রত্যাশা করবেন); কিছু রেফারেন্স দেখুনএই থ্রেডে

সম্ভবত স্যার হেন্ড্রি অ্যান্ড কো তাদের অ্যাপ্লিকেশনগুলির সুনির্দিষ্টতার কারণে (বেশিরভাগ মাইক্রোকোনমিক টাইম সিরিজ মডেলিং) কারণে জিইটিএস ব্যবহার করে ভাল ফলাফল পাচ্ছেন? তবে কেন তা হতে পারে? এটি একটি পৃথক প্রশ্ন

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.