প্রশ্ন ট্যাগ «method-of-moments»

নমুনা এবং জনসংখ্যার মুহুর্তগুলিকে সমতুল্য করে অজানা পরামিতিগুলির সমীকরণগুলি সমাধান করে প্যারামিটার অনুমানের একটি পদ্ধতি।

7
উদাহরণ যেখানে মুহুর্তের পদ্ধতি ছোট নমুনায় সর্বাধিক সম্ভাবনা হারাতে পারে?
সর্বাধিক সম্ভাবনার প্রাক্কলনকারী (এমএলই) অসম্পূর্ণভাবে দক্ষ; আমরা ব্যবহারিক ফলস্বরূপ দেখতে পাই যে তারা প্রায়শই ক্ষুদ্রতর নমুনার মাপে এমনকি মুহুর্তের পদ্ধতি (এমওএম) অনুমানের চেয়েও ভাল করে (যখন তারা পৃথক হয়) এখানে উভয় পক্ষপাতদুষ্ট যখন সাধারণত ছোট পরিবর্তিত হয় এবং সাধারণত সাধারণত ছোট গড় স্কোয়ার ত্রুটি (এমএসই) আরও সাধারণভাবে বোঝার অর্থ 'এর …

5
সর্বাধিক সম্ভাবনার অনুমান - কেন এটি বহু ক্ষেত্রে পক্ষপাতদুষ্ট হওয়া সত্ত্বেও ব্যবহৃত হয়
সর্বাধিক সম্ভাবনার প্রাক্কলন প্রায়শই পক্ষপাতদুষ্ট অনুমানকারীগুলির মধ্যে আসে (যেমন, নমুনার বৈকল্পিকতার জন্য এটির অনুমান গাউসীয় বিতরণের জন্য পক্ষপাতদুষ্ট)। তাহলে কী এত জনপ্রিয় হয়েছে? কেন এটি এত ব্যবহার করা হয়? এছাড়াও, বিশেষত কোনটি বিকল্প পদ্ধতির চেয়ে ভাল করে তোলে - মুহুর্তের পদ্ধতি? এছাড়াও, আমি লক্ষ করেছি যে গাউসের পক্ষে, এমএলই অনুমানের …

2
মুহুর্তের পদ্ধতির পিছনে যুক্তি কী?
"মুহুর্তের পদ্ধতিতে" কেন আমরা পয়েন্ট অনুমানকারী অনুসন্ধানের জন্য নমুনা মুহুর্তগুলিকে জনসংখ্যার মুহুর্তগুলির সাথে সমান করি? এর পিছনে যুক্তি কোথায়?

4
মুহূর্তগুলি ঠিক কী? তারা কীভাবে প্রাপ্ত?
জনসংখ্যার সমস্ত পরামিতি অনুমান না করা পর্যন্ত আমরা সাধারণত "জনসংখ্যার মুহুর্তগুলিকে তাদের নমুনা অংশের সাথে তুলনা করে" মুহুর্তের অনুমানের পদ্ধতির সাথে পরিচয় করি; যাতে কোনও সাধারণ বিতরণের ক্ষেত্রে আমাদের কেবল প্রথম এবং দ্বিতীয় মুহুর্তের প্রয়োজন হবে কারণ তারা এই বিতরণটিকে পুরোপুরি বর্ণনা করে। ই( এক্স) = μ⟹Σএনi = 1এক্সআমি/ এন= …

1
মুহুর্তের সর্বাধিক সম্ভাবনা এবং পদ্ধতি কখন একই অনুমানকারী উত্পাদন করে?
আমাকে এই প্রশ্নটি অন্য দিন জিজ্ঞাসা করা হয়েছিল এবং এর আগে কখনও বিবেচনা করা হয়নি। আমার স্বজ্ঞাত প্রতিটি অনুমানকারী এর সুবিধা থেকে আসে। সর্বাধিক সম্ভাবনা থাকে যখন আমরা ডেটা তৈরির প্রক্রিয়াতে আত্মবিশ্বাসী থাকি কারণ মুহুর্তের পদ্ধতির বিপরীতে এটি পুরো বিতরণের জ্ঞানকে কাজে লাগায়। যেহেতু মোম অনুমানকারীরা কেবল মুহুর্তগুলিতে থাকা তথ্য …

1
মুহূর্ত উত্পন্ন ফাংশন এবং চরিত্রগত ফাংশনের মধ্যে লিঙ্ক
আমি মুহূর্ত উত্পন্ন ফাংশন এবং চরিত্রগত ফাংশন মধ্যে লিঙ্ক বুঝতে চেষ্টা করছি। মুহূর্ত তৈরির ফাংশনটি হিসাবে সংজ্ঞায়িত করা হয়: MX(t)=E(exp(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n!MX(t)=E(exp⁡(tX))=1+tE(X)1+t2E(X2)2!+⋯+tnE(Xn)n! M_X(t) = E(\exp(tX)) = 1 + \frac{t E(X)}{1} + \frac{t^2 E(X^2)}{2!} + \dots + \frac{t^n E(X^n)}{n!} এর সিরিজ সম্প্রসারণ ব্যবহার করে , আমি এলোমেলো ভেরিয়েবলের জন্য বিতরণের সমস্ত মুহুর্তগুলি খুঁজে …

1
আনোভা কি মুহুর্তের পদ্ধতির উপর নির্ভর করে এবং সর্বোচ্চ সম্ভাবনার উপর নয়?
আমি বিভিন্ন জায়গায় উল্লেখ করেছি যে আনোভা মুহুর্তের পদ্ধতিটি ব্যবহার করে এর অনুমান করে। আমি এই দৃser়তার সাথে বিভ্রান্ত হয়ে পড়েছি কারণ, যদিও আমি মুহুর্তের পদ্ধতির সাথে পরিচিত নই, তবে আমার বোধগম্যতা এটি সর্বাধিক সম্ভাবনার পদ্ধতির তুলনায় আলাদা কিছু নয়; অন্য দিকে, ANOVA শ্রেণীগত ভবিষ্যতবক্তা এবং রিগ্রেশন প্যারামিটার OLS ঔজ্জ্বল্যের …

1
মুহুর্তের পদ্ধতি এবং জিএমএমের মধ্যে পার্থক্য / সম্পর্ক কী?
কেউ আমাকে মুহুর্তের পদ্ধতি এবং জিএমএম (মুহুর্তগুলির সাধারণ পদ্ধতি), তাদের সম্পর্ক এবং কখন একটি বা অন্যটি ব্যবহার করা উচিত তার মধ্যে পার্থক্য ব্যাখ্যা করতে পারেন?

3
মুহুর্তের পদ্ধতি কী এবং এটি এমএলই থেকে কীভাবে আলাদা?
সাধারণভাবে মনে হয় মুহুর্তের পদ্ধতিটি কেবলমাত্র পর্যবেক্ষণকৃত নমুনার সাথে মেলে, বা প্যারামিটারের অনুমানের জন্য তাত্ত্বিক মুহুর্তগুলির বৈকল্পিক। এটি প্রায়শই ক্ষতিকারক পরিবারগুলির জন্য এমএলইয়ের সমান হয়, আমি সংগ্রহ করি। তবে, মুহুর্তগুলির পদ্ধতির সুস্পষ্ট সংজ্ঞা এবং এমএলইকে কেন সাধারণত অনুগ্রহযোগ্য বলে মনে হচ্ছে তার একটি পরিষ্কার আলোচনা খুঁজে পাওয়া শক্ত, যদিও সম্ভাবনা …

2
প্যারামিটার অনুমানের কোন পদ্ধতিটি নির্বাচন করব তা আমি কীভাবে জানতে পারি?
প্যারামিটার অনুমানের জন্য বেশ কয়েকটি পদ্ধতি রয়েছে। এমএলই, উমভিউ, এমওএম, সিদ্ধান্ত-তাত্ত্বিক এবং অন্যান্য সকলের কাছে মনে হয় যে তারা পরামিতি অনুমানের জন্য কেন কার্যকর for অন্যদের চেয়ে যে কোনও একটি পদ্ধতি ভাল, বা এটি "বেস্ট ফিটিং" অনুমানকারী কী হিসাবে সংজ্ঞায়িত করা যায় (অরথোগোনাল ত্রুটিগুলি হ্রাস করার সাথে একটি সাধারণ ন্যূনতম …

2
অ-পরিসংখ্যানবিদকে মুহুর্তগুলির সাধারণীকরণ পদ্ধতি ব্যাখ্যা করা
মুহুর্তগুলির জেনারালাইজড পদ্ধতিগুলি কীভাবে ব্যাখ্যা করব এবং এটি কোনও অ-পরিসংখ্যানবিদকে কীভাবে ব্যবহার করা হয়? এখন পর্যন্ত আমি যাচ্ছি: এটি সংগ্রহ করা নমুনার উপর ভিত্তি করে গড় এবং প্রকরণের মতো পরিস্থিতি অনুমান করার জন্য আমরা ব্যবহার করি। আপনি পার্থক্যটি হ্রাস করে প্যারামিটার ভেক্টর যেখানে অনুমান করেন সেই অংশটি কীভাবে ব্যাখ্যা করব?

1
কোন গভীর শিক্ষণ মডেল এমন বিভাগগুলিকে শ্রেণিবদ্ধ করতে পারে যা পারস্পরিক একচেটিয়া নয়
উদাহরণ: আমার কাজের বাক্যে একটি বাক্য রয়েছে: "যুক্তরাজ্যের জাভা সিনিয়র ইঞ্জিনিয়ার"। আমি এটি 2 বিভাগ: English এবং হিসাবে পূর্বাভাস দেওয়ার জন্য একটি গভীর শিক্ষার মডেল ব্যবহার করতে চাই IT jobs। যদি আমি traditionalতিহ্যগত শ্রেণিবদ্ধকরণ মডেল ব্যবহার করি তবে এটি কেবল softmaxসর্বশেষ স্তরে ফাংশন সহ 1 টি লেবেল পূর্বাভাস দিতে পারে …
9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 
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.