অভিজ্ঞতা বায়স কিভাবে বৈধ?

Question

সুতরাং আমি সবেমাত্র একটি দুর্দান্ত বইয়ের পরিচিতিটি পড়া শুরু করলাম যাঁরা ইমপেরিকাল বেয়েসকে দিয়েছিলেন । আমি ভেবেছিলাম বইটি দুর্দান্ত, তবে ডেটা থেকে প্রিয়ার তৈরি করা ভুল অনুভব করেছে। আমি প্রশিক্ষিত হয়েছি যে আপনি বিশ্লেষণ পরিকল্পনা নিয়ে এসেছেন তখন আপনি ডেটা সংগ্রহ করেন তারপরে আপনি আপনার বিশ্লেষণ পরিকল্পনায় পূর্ব নির্ধারিত অনুমানটি পরীক্ষা করেন test আপনি যখন ডেটা বিশ্লেষণ করেন যা ইতিমধ্যে এটি সংগ্রহ করেছে আপনাকে পোস্ট-নির্বাচনী অনুক্রমের মধ্যে ফেলেছে যেখানে আপনি "উল্লেখযোগ্য" বলছেন তার উপর আপনাকে আরও কঠোর হতে হবে, এখানে দেখুন । আমি মনে করি যে মেশিন লার্নিংয়ের কিছুটা সাদৃশ্য রয়েছে যার নাম "চেরি পিকিং" যার অর্থ পরীক্ষা এবং প্রশিক্ষণের সেট স্থাপনের পূর্বে ভবিষ্যদ্বাণীদের বাছাই করা ( স্ট্যাটিস্টিকাল লার্নিংয়ের পরিচিতি )।

আমি আগে যা শিখেছি তা দিয়ে মনে হয়েছে যে বোধশক্তি বায়স দুর্বল ভিত্তির উপর ভিত্তি করে। লোকেরা কী কেবল সেটিংসে ব্যবহার করে যেখানে ডেটা প্যাসিভলি উত্পন্ন হয়েছিল? যদি তা হয় তবে এটি ন্যায়সঙ্গত হতে পারে, তবে কঠোর পরীক্ষামূলক নকশা করার সময় এটি ব্যবহার করা সঠিক বলে মনে হয় না, তবুও আমি জানি যে ব্র্যাড এফ্রন সাধারণত বায়োস্টাটিক্সের জন্য বিশেষত বায়োস্টাটিক্সের জন্য ব্যবহারিক বায়াস ব্যবহার করেন না, সাধারণত খুব NHST ক্ষেত্র।

আমার প্রশ্নগুলি হ'ল:

1. অভিজ্ঞতা বায়স কিভাবে বৈধ?
2. কোন পরিস্থিতিতে এটি ব্যবহার করা হয়?
3. কোন পরিস্থিতিতে আপনি বোধগম্য অভিজ্ঞতা ব্যবহার এড়ানো উচিত এবং কেন?
4. লোকেরা বায়োস্টাটিক্স বাদে অন্য ক্ষেত্রগুলিতে এটি ব্যবহার করছে এবং যদি তা হয় তবে তারা কোন পরিস্থিতিতে এটি ব্যবহার করছে?

Comments

"বৈধ" অর্থ কী? বিশিষ্ট, বর্তমানে মৃত, বায়েসিয়ান, ডিভি লিন্ডলি, "বায়সীয়ের মতো এক বুদ্ধিজীবী আর কেউ নেই"।

— মার্ক এল। স্টোন

Answer 1

আমি মনে করি এটি মনে রাখা জরুরী যে বিভিন্ন পদ্ধতি বিভিন্ন জিনিসের জন্য ভাল, এবং তাত্পর্যপূর্ণ পরীক্ষার পরিসংখ্যানের জগতের সমস্ত কিছুই নেই।

1 এবং 3) EB সম্ভবত একটি বৈধ অনুমান পরীক্ষা পদ্ধতি নয়, তবে এটি এটি বোঝানোও নয়।

বৈধতা অনেকগুলি জিনিস হতে পারে তবে আপনি কঠোর পরীক্ষামূলক ডিজাইনের কথা বলছেন তাই আমরা সম্ভবত একটি অনুমানের পরীক্ষা নিয়ে আলোচনা করছি যা একটি দীর্ঘ দীর্ঘকালীন ফ্রিকোয়েন্সি সহ সঠিক সিদ্ধান্ত নিতে আপনাকে সহায়তা করার কথা বলেছে। এটি একটি কঠোর দ্বিদ্বেষপূর্ণ হ্যাঁ / কোনও ধরণের ব্যবস্থা নয় যা বেশিরভাগ ক্ষেত্রে হ্যাঁ / কোনও ধরণের সিদ্ধান্ত নিতে হয় এমন লোকদের জন্য কার্যকর। প্রকৃতপক্ষে খুব স্মার্ট ব্যক্তিদের দ্বারা এটিতে প্রচুর ধ্রুপদী কাজ রয়েছে। এই সমস্ত পদ্ধতি অনুমান করে আপনার সমস্ত অনুমানকে ধরে রেখেছে যে সীমার মধ্যে তাত্ত্বিক বৈধতা আছে, এবং সি। তবে ইবি অবশ্যই এর জন্য বোঝানো হয়নি। আপনি যদি ক্লাসিকাল এনএইচএসটি পদ্ধতির যন্ত্রপাতি চান তবে ধ্রুপদী এনএইচএসটি পদ্ধতিতে আটকে থাকুন।

---

2) আপনি অনেকগুলি অনুরূপ, পরিবর্তনশীল পরিমাণের অনুমান করছেন এমন সমস্যাগুলিতে EB সর্বাধিক প্রয়োগ করা হয়।

ইফ্রন নিজেই তার বইটি বড় আকারের মাপের সূচনা খোলার পরে পরিসংখ্যানের ইতিহাসের তিনটি স্বতন্ত্র যুগের তালিকা প্রদর্শন করে, আমরা বর্তমানে রয়েছি তা নির্দেশ করে

[যুগের] বৈজ্ঞানিক ভর উত্পাদনের যুগ, যেখানে মাইক্রোয়ারে দ্বারা টাইপ করা নতুন প্রযুক্তি বিজ্ঞানীদের একটি দলকে একটি আকারের কোয়েলেটকে ডেটা সেট তৈরি করতে দেয় enর্ষা করে। তবে এখন তথ্যের বন্যার সাথে প্রশ্নগুলির জলস্রোত রয়েছে, সম্ভবত হাজার হাজার অনুমান বা অনুমানের পরীক্ষা যা পরিসংখ্যানবিদকে এক সাথে উত্তর দেওয়ার জন্য অভিযুক্ত হয়; শাস্ত্রীয় মাস্টারদের মনে কী ছিল তা মোটেও নয় not

তিনি এগিয়ে যান:

তাদের প্রকৃতির দ্বারা, অভিজ্ঞতামূলক বায়েস যুক্তিগুলি ঘন ঘন কাঠামোর সমস্যার বিশ্লেষণে ঘন ঘন এবং বায়েশীয় উপাদানগুলিকে একত্রিত করে। পুনরাবৃত্ত স্ট্রাকচারগুলি হ'ল বৈজ্ঞানিক ভর উত্পাদন কেবল যেমন মাইক্রোরেজের মাধ্যমে হাজার হাজার জিনের জন্য অসুস্থ এবং স্বাস্থ্যকর বিষয়গুলির তুলনা করে তা প্রকাশের মাত্রায় ছাড়িয়ে যায়।

সম্ভবত, EB সবচেয়ে সফল সাম্প্রতিক অ্যাপ্লিকেশন limma, Bioconductor উপলব্ধ । এটি একটি আর-প্যাকেজ যা কয়েক হাজার জিন জুড়ে দুটি স্টাডি গ্রুপের মধ্যে ডিফারেনশিয়াল এক্সপ্রেশন (অর্থাত্ মাইক্রারি) মূল্যায়নের জন্য পদ্ধতিগুলি। স্মিথ দেখায় যে তাদের নিয়মিত জিন-ভিত্তিক টি-পরিসংখ্যান গণনা করার চেয়ে তাদের ইবি পদ্ধতিগুলি আরও বেশি ডিগ্রি স্বতন্ত্রতার সাথে একটি টি-স্ট্যাটিস্টিক উত্পন্ন করে। এখানে ইসির ব্যবহার "একটি পুল অনুমানের দিকে আনুমানিক নমুনার বৈচিত্রগুলি সঙ্কুচিত করার সমান, যার ফলে অ্যারেগুলির সংখ্যা কম হলে অনেক বেশি স্থিতিশীল অনুক্রম হয়," যা প্রায়শই ঘটে।

এফ্রন উপরে যেমন উল্লেখ করেছে যে এটি এনএসএসটি ধ্রুপদী NHST এর জন্য কীভাবে তৈরি হয়েছিল তার মতো কিছুই নয়, এবং সেটিংটি সাধারণত নিশ্চিতকরণের চেয়ে বেশি অনুসন্ধানী হয়।

---

4) সাধারণত আপনি সঙ্কোচন পদ্ধতি হিসাবে EB দেখতে পারেন, এবং এটি সংকোচনের জন্য কার্যকর যে কোনও জায়গায় কার্যকর হতে পারে

limma$X_1, ..., X_k$$\hat \theta^{JS}_i = (1- c/S^2)X_i,$$S^2=\sum_{j=1}^k X_j,$$c$$X_i$

$\bar X,$

কোয়ান্টাইটগুলি যত বেশি অনুমান করা যায় ততই সংকোচনের কাজটি কার্যকর। আপনি যে বইটি উল্লেখ করেছেন সেটি বেসবলের হিট রেট ব্যবহার করে। মরিস (1983) মুষ্টিমেয় অন্যান্য অ্যাপ্লিকেশনগুলিকে নির্দেশ করে:

• রাজস্ব ভাগাভাগি --- আদমশুমারি ব্যুরো। বেশ কয়েকটি ক্ষেত্রের জন্য মাথাপিছু আদমশুমারির আয়ের পরিমাণ।
• গুণগত মান --- বেল ল্যাব। বিভিন্ন সময়ের জন্য ব্যর্থতার সংখ্যা অনুমান করে।
• বীমা হার নির্ধারণ। বীমাকারীদের গোষ্ঠীগুলির জন্য বা বিভিন্ন অঞ্চলগুলির জন্য প্রতি ঝুঁকি অনুমান করে।
• আইন স্কুল ভর্তি। বিভিন্ন বিদ্যালয়ের জিপিএর তুলনায় এলএসএটি স্কোরের ওজন অনুমান করে।
• অগ্নি বিপদাশঙ্কা --- এনওয়াইসি। বিভিন্ন অ্যালার্ম বাক্সের অবস্থানের জন্য ভুয়া অ্যালার্মের হার অনুমান করে।

এগুলি সমস্ত সমান্তরাল-অনুমানের সমস্যা এবং যতদূর আমি জানি তারা হ্যাঁ / কোনও সিদ্ধান্ত নির্ধারণের চেয়ে নির্দিষ্ট পরিমাণ কী কী তার একটি ভাল পূর্বাভাস দেওয়ার বিষয়ে আরও বেশি।

---

কিছু রেফারেন্স

• ইফ্রন, বি (২০১২)। বৃহত্তর স্কেল অনুমান: অনুমান, পরীক্ষা এবং ভবিষ্যদ্বাণী জন্য অভিজ্ঞতামূলক বেয়েস পদ্ধতি (খণ্ড 1)। ক্যামব্রিজ ইউনিভার্সিটি প্রেস. শিকাগো
• ইফ্রন, বি।, এবং মরিস, সি। (1973)। স্টেইনের অনুমানের নিয়ম এবং এর প্রতিযোগীরা emp একটি অভিজ্ঞতাবাদী বেয়েস পদ্ধতির। আমেরিকান পরিসংখ্যান সমিতির জার্নাল, 68 (341), 117-130। শিকাগো
• জেমস, ডাব্লু। এবং স্টেইন, সি। (1961, জুন) চতুর্ভুজ ক্ষতির সাথে অনুমান। গাণিতিক পরিসংখ্যান এবং সম্ভাব্যতার উপর চতুর্থ বার্কলে সিম্পোজিয়ামের কার্যক্রমে (খণ্ড 1, নং 1961, পৃষ্ঠা 361-379)। শিকাগো
• মরিস, সিএন (1983)। প্যারামেট্রিক ইম্পেরিকাল বেয়েস অনুমান: তত্ত্ব এবং প্রয়োগসমূহ। আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশন জার্নাল, 78 (381), 47-55।
• স্মিথ, জিকে (2004)। মাইক্রোয়ারে পরীক্ষায় ডিফারেনশিয়াল এক্সপ্রেশন মূল্যায়নের জন্য লিনিয়ার মডেল এবং অভিজ্ঞতামূলক বেয়েস পদ্ধতি। জেনেটিক্স এবং আণবিক জীববিজ্ঞানের খণ্ড 3, পরিসংখ্যান 1, অনুচ্ছেদ 3 এ পরিসংখ্যান প্রয়োগসমূহ।