Статистика WikiProject | ||||
| Главная страница | Страница обсуждения | Члены | Шаблоны | Ресурсы |
|---|---|---|---|---|
| Это страница обсуждения для обсуждения статистики WikiProject и всего, что связано с его целями и задачами. |
|
| Архивы : 1 , 2 , 3 , 4 , 5 , 6 , 7 |
 | Эта страница представляет интерес для следующих WikiProjects : | ||||||||||||||
| |||||||||||||||
Последняя фраза второго предложения [ править ]
Всем привет :)
Я решил, что сейчас тоже хочу помочь со статистикой Википедии. Раньше я не был членом редакционной группы Википедии. Может быть, у меня будет профиль, чтобы разместить информацию о себе? Я не смотрел. Итак, пока мой веб-сайт https://www.aidanhorn.co.za . Я специалист по микроэконометрии, но мне нравится использовать Интернет для поиска информации, и я считаю, что Интернет следует использовать для хранения важной информации. Я практикующий экономист по труду. Я уверен, что мне не понадобится представление в будущем, как только я начну участвовать на страницах обсуждения Википедии и как только я отредактирую свой профиль в Википедии (если он есть).
В последней фразе второго предложения он читается: «и позволяя величине дисперсии каждого измерения быть функцией его предсказанного значения».
Разве это не может быть прояснено, сказав: «и позволив стандартным ошибкам в точечных оценках быть функциями предсказанного значения переменной ответа».
В настоящее время все предложение выглядит следующим образом: «GLM обобщает линейную регрессию, позволяя связывать линейную модель с переменной отклика через функцию связи и позволяя величине дисперсии каждого измерения быть функцией его предсказанного значения. "
Кстати, The Economist недавно опубликовал две статьи о Википедии в разделах « Лидеры» и « Международный» . Возможно, у вашего университета есть институциональная лицензия на доступ к The Economist через Gale Academic OneFile (или Westlaw). - Предыдущий неподписанный комментарий, добавленный Эйданхорном ( обсуждение • вклад ) 11:51, 29 января 2021 г. (UTC)
- Этот простой поиск дал понять, что вы говорите об обобщенной линейной модели . Надеюсь, что это поможет вам ответить на ваше предложение; Я не могу. Что касается «редактировать мой профиль в Википедии», я вижу, что вы это сделали, у пользователя: Aidanhorn . - 50.201.195.170 ( разговорное ) 21:02, 8 февраля 2021 г. (UTC)
Ух ты, мне еще есть чему научиться здесь как общаться! Эйданхорн ( разговорное ) 10:24, 10 февраля 2021 (UTC)
Дистрибутивы Metalog [ править ]
Недавно я опубликовал новую страницу в Википедии https://en.wikipedia.org/wiki/Metalog_distribution . Если у кого-то из вас будет возможность взглянуть на него и получить какие-либо комментарии или предложения, мы будем очень признательны! Рисканал ( разговор ) 18:08, 16 февраля 2021 (UTC)
- В разделе истории большое внимание уделяется гибкости, но это не единственное важное свойство дистрибутива. Например, нормальное распределение - это стабильное распределение; экспоненциальное распределение без памяти. Более того, неограниченная гибкость уже достигается путем расширения в ортогональные многочлены, ряды Фурье или что-то подобное. (Это уже было сделано Нейманом в его гладком тесте 1937 г., когда он расширил логарифм функции плотности на ортогональные многочлены; см. [1] .) В статье следует больше сосредоточиться на том, что является уникальным для этих распределений и почему они полезны.
- Вы должны написать \ ln вместо ln. Кроме того, \ text {log}, \ text {nlog}, \ text {logit} и т. Д.
- Мне кажется, что фраза «одобрено Comprehensive R Archive Network», возможно, переоценивает сложность включения в CRAN.
- Наконец, я очень надеюсь, что ваше имя пользователя является сокращением для чего-то, потому что, если все, что я делаю, это вставляю пробел, результат будет. . . фигово. Озоб ( разговор ) 03:11, 17 февраля 2021 (UTC)
Спасибо за ответ! Я надеюсь обсудить многие из ваших мыслей в следующие несколько дней. А пока пара ответов:
1) Хотя гибкость не является ЕДИНСТВЕННЫМ важным свойством, она как бы включает в себя все остальные свойства. Например, поскольку распределение металиг может сколь угодно точно аппроксимировать экспоненту, его можно сделать «виртуально» без памяти. (Тем не менее, чтобы дать более точный ответ, мне нужно было бы исследовать более подробно, чтобы понять, как быстро он отходит от "почти без памяти", когда данные начинают накапливаться, чтобы дать более точный ответ.) Я могу попытаться расширить раздел гибкости, чтобы прояснить эта точка.
2) Большое спасибо за ссылку на статью Неймана. Известны ли вам какие-либо работы о том, как быстро ортогональные многочлены сходятся, чтобы соответствовать заданному распределению? Хотя это не доказано математически, эмпирический опыт показывает, что металог быстро сходится, чтобы соответствовать большинству существующих распределений (например, менее десяти членов или около того). - Предшествующий неподписанный комментарий добавлен Riskanal ( обсуждение • вклад ) 21:47, 18 февраля 2021 г. (UTC)
- Я не согласен с тем, что гибкость включает в себя все остальные свойства. Это может быть правдой в некоторых приложениях, но в целом это не так. Специальные дистрибутивы часто обладают уникальными свойствами, и это делает их интересными. Соответствующим образом нормализованная сумма выборок IID из распределения с конечным вторым моментом сходится к нормальному распределению, а не к чему-либо другому.
- Свойства сходимости ортогональных многочленов хорошо изучены. Они всегда будут сходиться в (среднеквадратичном) смысле, и на практике сходимость обычно быстрая. Вы можете найти подробности в учебниках по численному анализу или трактатах по ортогональным многочленам. Если вас интересует оценка плотности с использованием ортогональных многочленов, я думаю, что в статье о гладком тесте Неймана, на которую я ссылался ранее, есть некоторая информация об этом. Озоб ( разговор ) 03:27, 19 февраля 2021 (UTC)
Еще раз спасибо за ваши комментарии. Я исправил обозначение (я новичок в Википедии), а также изменил введение, чтобы сделать его менее ориентированным на гибкость формы. Не стесняйтесь передавать любые другие предложения. Рисканал ( разговор ) 03:38, 22 февраля 2021 (UTC)
- Мне это гораздо больше нравится. Если бы я сделал дополнительные предложения, я полагаю, что основным из них было бы то, что вы (и, следовательно, статья тоже), похоже, имеете точку зрения кого-то, кто занимается подгонкой данных определенным образом (я думаю, может быть, анализ решений? Хотя я не я действительно знаю, что это такое), но могут быть и другие причины, по которым кого-то интересуют эти дистрибутивы. Например, если кого-то интересует чистая вероятность, лишенная каких-либо приложений, найдут ли они здесь что-нибудь интересное? То есть существует ли какой-то естественный математический процесс, который производит распределенные случайные величины металогом? Или случайные величины, которые приблизительно распределены металогом (строго поддающимся количественной оценке)? В качестве еще одного примера потенциально интересного свойства:что произойдет, если я возьму сумму двух случайных величин, распределенных по металигам? Или продукт, или частное, или какое-то преобразование и т. Д.? Будет ли результат снова распределен металогом или, возможно, распределен как какой-нибудь известный дистрибутив? Третий вопрос - есть ли альтернативные параметризации. Кажется очевидным, что вы можете переставить некоторые коэффициенты, вычленив в функции квантилей степени. И поскольку я упомянул выше ортогональные многочлены, я думаю, можно было бы также спросить, было бы полезно заменить степени ортогональными многочленами какого-либо вида. В-четвертых, кажется, что стандартным способом подбора распределения металога является метод наименьших квадратов. Какие свойства есть у этого оценщика? Есть ли другие оценщики, которые могут быть полезны в некоторых обстоятельствах? И если кто-то хочет использовать байесовский подход и установить априорность коэффициентов, как выполняется оценка параметров?
- Во всяком случае, это лишь некоторые идеи, которые пришли в голову. Не воспринимай их слишком серьезно, уже поздно, а я болтаю. Озоб ( разговор ) 05:56, 23 февраля 2021 (UTC)
Взвешивание [ править ]
Какая-то ирония в том, что статья о взвешивании страдает из-за чрезмерного внимания к очень конкретным, очень техническим применениям этого термина - вы знаете, излишнему весу - вместо более общего обсуждения темы для обычных читателей с использованием примеров, которые они ' повторно, например, данные опроса. - Калтон | Обсуждение 13:53, 11 марта 2021 (UTC)
Название текущей переписи в Соединенном Королевстве [ править ]
Перепись, которая в настоящее время проводится в остальной части Великобритании, была отложена на год в Шотландии, что привело к дебатам о том, каким должно быть название статьи, которые можно найти здесь, если кто-то хочет высказать свое мнение. Ллеви ( разговор ) 22:27, 20 марта 2021 (UTC)
