(আমি এটি কেন লিখেছি তা দেখতে, এই প্রশ্নের আমার উত্তরের নীচে দেওয়া মন্তব্যগুলি দেখুন ))
তৃতীয় ত্রুটি এবং পরিসংখ্যানগত সিদ্ধান্ত তত্ত্ব টাইপ করুন
ভুল প্রশ্নের সঠিক উত্তর প্রদানকে কখনও কখনও টাইপ তৃতীয় ত্রুটি বলা হয়। পরিসংখ্যানগত সিদ্ধান্ত তত্ত্বটি অনিশ্চয়তার অধীনে সিদ্ধান্ত গ্রহণের আনুষ্ঠানিককরণ; এটি এমন একটি ধারণাগত কাঠামো সরবরাহ করে যা তৃতীয় ত্রুটির ত্রুটি এড়াতে সহায়তা করতে পারে। কাঠামোর মূল উপাদানটিকে ক্ষতি ফাংশন বলে । এটি দুটি আর্গুমেন্ট লাগে: প্রথমটি হ'ল (এর প্রাসঙ্গিক উপসেট) বিশ্বের সত্যিকারের অবস্থা (যেমন, প্যারামিটার অনুমানের সমস্যায়, সত্য প্যারামিটারের মান value ); দ্বিতীয়টি সম্ভাব্য ক্রিয়াকলাপগুলির সেটের একটি উপাদান (যেমন, প্যারামিটার অনুমানের সমস্যায়, অনুমানθ )। আউটপুট মডেলগুলি বিশ্বের প্রতিটি সম্ভাব্য সত্য রাষ্ট্রের প্রতি শ্রদ্ধা সহ প্রতিটি সম্ভাব্য ক্রিয়াটির সাথে যুক্ত ক্ষতি models উদাহরণস্বরূপ, প্যারামিটার অনুমানের সমস্যায়, কিছু ক্ষতিগ্রস্ত ফাংশনগুলি হ'ল:
- পরম ত্রুটির ক্ষতি
- স্কোয়ার ত্রুটির ক্ষতি
- হাল ভেরিয়ানের লিনএক্স ক্ষতি
প্রশ্নের সন্ধানের উত্তর পরীক্ষা করা হচ্ছে
এমন একটি মামলা রয়েছে যার ফলে এই ধরণের তৃতীয় ত্রুটিগুলি সঠিক ক্ষতির ফাংশন গঠনের দিকে মনোনিবেশ করে এবং সিদ্ধান্ত-তাত্ত্বিক পদ্ধতির বাকী অংশটি (এখানে বিস্তারিত নয়) চালিয়ে যাওয়ার উপর দৃষ্টি নিবদ্ধ করে এড়ানো যায়। এটি আমার সংক্ষিপ্ত নয় - সর্বোপরি, পরিসংখ্যানবিদরা অনেক কৌশল এবং পদ্ধতিতে ভালভাবে সজ্জিত হন যদিও তারা এ জাতীয় দৃষ্টিভঙ্গি থেকে উদ্ভূত না হলেও সঠিকভাবে কাজ করে। তবে শেষের ফলাফলটি আমার কাছে মনে হয়, এটি হল যে পরিসংখ্যানবিদদের সংখ্যাগরিষ্ঠরা পরিসংখ্যানগত সিদ্ধান্ত তত্ত্ব সম্পর্কে জানেন না এবং তাদের যত্ন নেন না এবং আমি মনে করি তারা বাদ পাচ্ছেন। এই পরিসংখ্যানবিদদের কাছে, আমি যুক্তি দেব যে তৃতীয় ত্রুটি টাইপ এড়ানোর ক্ষেত্রে তারা পরিসংখ্যানগত সিদ্ধান্ত তত্ত্বকে মূল্যবান বলে মনে করতে পারে কারণ এটি কোনও কাঠামো সরবরাহ করে যাতে কোনও প্রস্তাবিত ডেটা বিশ্লেষণ পদ্ধতি জিজ্ঞাসা করতে পারে:কোন ক্ষতির ফাংশন (যদি থাকে) পদ্ধতিটি সর্বোত্তমভাবে মোকাবেলা করে? এটি হ'ল, কোন সিদ্ধান্ত গ্রহণের পরিস্থিতিতে ঠিক কী এটি সর্বোত্তম উত্তর দেয়?
উত্তরোত্তর প্রত্যাশিত ক্ষতি
বায়েশিয়ান দৃষ্টিকোণ থেকে ক্ষতির ফাংশনটি আমাদের কেবল প্রয়োজন। আমরা প্রায় কাছাকাছি সিদ্ধান্ত তত্ত্ব বাকি এড়িয়ে যেতে পারেন - প্রায় সংজ্ঞা দ্বারা, কি ভাল জিনিস কমান অবর ক্ষতি প্রত্যাশিত হয়, যে, কর্ম এটি যে ছোট ।
? বিশেষভাবে, Wald, এর - (এবং নন-Bayesian দৃষ্টিকোণ ওয়েল ব্যাপার-সেটি ছিল frequentist সিদ্ধান্ত তত্ত্বটির উপপাদ্য সম্পূর্ণ ক্লাস উপপাদ্য - যে অনুকূল কর্ম সবসময় হবে Bayesian অবর প্রত্যাশিত ক্ষয় কমান থেকে সম্মান সঙ্গে কিছু (সম্ভবত অনুচিত) পূর্ববর্তী। এই ফলাফলের সাথে অসুবিধাটি হ'ল এটি একটি অস্তিত্বের উপপাদ্যটি কোনটি আগে ব্যবহার করতে হবে সে সম্পর্কে কোনও দিকনির্দেশনা দেয় না But তবে এটি ফলস্বরূপ পদ্ধতিগুলির শ্রেণিবদ্ধিকে সীমাবদ্ধ করে দেয় যা আমরা "উল্টে" পারি ঠিক কোনটি প্রশ্নটি তা আমরা খুঁজে বের করতে পারি we're উত্তর দেওয়ার জন্য। বিশেষত, কোনও বে-বায়িশিয়ান পদ্ধতি উল্টানোর প্রথম পদক্ষেপটি কোন (যদি থাকে) কোন বায়েশিয়ান পদ্ধতিটি এর প্রতিরূপ বা আনুমানিক হয় তা বের করা figure)
আরে সায়ান, আপনি কি জানেন এটি একটি প্রশ্নোত্তর সাইট, তাই না?
যা আমাকে - পরিশেষে - একটি পরিসংখ্যানগত প্রশ্নে নিয়ে আসে। বায়েশিয়ান পরিসংখ্যানগুলিতে, অবিভাজনিত প্যারামিটারগুলির জন্য অন্তর্বর্তী প্রাক্কলন সরবরাহ করার সময়, দুটি সাধারণ বিশ্বাসযোগ্য অন্তর্বর্তী প্রক্রিয়া হ'ল কোয়ান্টাইল ভিত্তিক বিশ্বাসযোগ্য ইন্টারভাল এবং সর্বোচ্চ উত্তরোত্তর ঘনত্বের বিশ্বাসযোগ্য ব্যবধান। এই পদ্ধতির পিছনে ক্ষতির কাজগুলি কী কী?