Questions tagged «communication»

假设是一个无偏估计。然后，当然是。 θë[ θ |θ]=θθ^θ^\hat{\theta}θθ\thetaE[θ^∣θ]=θE[θ^∣θ]=θ\mathbb{E}[\hat{\theta} \mid \theta] = \theta 一个人如何向外行人解释呢？过去，我所说的是，如果对一堆求平均值，则随着样本数量的增加，您会更好地逼近。 θθ^θ^\hat{\theta}θθ\theta 对我来说，这是有问题的。我认为我在这里实际描述的是这种渐近无偏的现象，而不是单纯地无偏的现象，即 其中\ hat {\ theta}可能取决于n。limn→∞E[θ^∣θ]=θ,limn→∞E[θ^∣θ]=θ,\lim_{n \to \infty}\mathbb{E}[\hat{\theta} \mid \theta] = \theta\text{,} Ñθ^θ^\hat{\theta}nnn 那么，如何向外行人解释什么是无偏估计呢？

10 bias  asymptotics  unbiased-estimator  estimators  communication 

我是一名在应用领域工作的生物统计学家，我负责为我合作的论文撰写统计学方法部分。在阅读许多学术论文时，我遇到了许多统计数据写得不好的例子（大多数是无聊的，缺乏信息性的，缺乏精确性，细节和对所用方法的理解）。 无论使用何种主题和复杂的统计方法，在应用研究文章中有哪些写得好的统计章节的好例子？ 如何定义“写得好”是主观的，但是如果描述得很清楚，我将描述写得很好的统计部分，给出（或似乎给出）分析方式的全貌，解决分析过程中所做的假设，并将统计过程纳入论文流程。 以下是一些我认为统计数据不错的论文示例： BCG疫苗接种可降低接种疫苗的and和未接种疫苗的C幼崽中结核感染的风险 原发性经皮冠状动脉介入治疗急性ST段抬高型心肌梗死的死亡率预测模型：急性心肌梗死试验中派瑞单抗的评估结果 其他？也欢迎对“良好”统计部分应包括的内容进行思考。

10 biostatistics  communication  academia  journals 

我正在构建一个交互式预测工具（使用python），以帮助组织中进行预测。迄今为止，预报过程很大程度上是由人为驱动的，预报员将其自然神经网络中的数据同化并利用他们学到的内脏感觉进行预报。通过长期的预测验证和预测建模研究，我发现了您可能期望的结果；不同的预测器表现出不同的偏差，某些预测器的作用似乎被夸大了，而其他重要预测器的作用似乎被忽略了，总的来说，与相对简单的经验模型相比，预测性能中等。 预测将继续是手动的，但我正在尝试构建一个有用的工具，以为预测者更好地量化预测者的相对影响。我还希望工具向用户强调一些重要的影响，例如季节性影响，这些影响经常被忽略。我期望一些“经验丰富”的预测人员（其中许多人对统计数据缺乏正式知识）会对建模过程产生一定程度的抵制和怀疑，因此，沟通至少同样重要，而模型性能本身在预测准确性方面取得可衡量的提高。 我正在开发的模型具有很强的自回归成分，有时会因事件而显着地对其进行修改，这些事件在某些预测变量中显示为测量值，在非事件时间内，这些值接近于零。这符合预报员使用的心理模型。关键部分是能够证明对于任何给定的预测而言，哪些“事件”度量值在使预测偏离自回归值时最有影响力。我以这种方式对过程进行成像；预报员认为他们的最佳猜测值是正确的，模型提出了一个不同的猜测值，预报员问为什么。该模型的回答是：“请参见此处，此预测变量的值将增加夏季的预测值。如果是冬季，它将以其他方式移动。我知道还有其他度量， 现在，假设模型是简单的线性回归。可以想象通过将值乘以模型系数并显示为简单的条形图来显示基于事件的预测变量的相对“效果”。来自不同预测变量的所有条形加起来与AR值的总偏差，这简洁明了地显示了在这种情况下具有很大影响力的那些。 问题在于，被预测的过程在预测变量中显示出高度的非线性，或者至少，对于使用黑盒非线性机器学习算法（随机森林和GBM），我的成功要比用于GLM的更多。此数据集。理想情况下，我希望能够在不改变用户体验的情况下无缝更改“在幕后”工作的模型，因此我需要一种通用的方式来以简单的方式展示不同测量的重要性，而无需使用某些特定于算法的方法。我当前的方法是通过将除一个预测变量以外的所有值都设置为零来准线性化效果，记录预测的偏差，然后对所有预测变量重复，在上述条形图中显示结果。在存在强非线性的情况下，这可能无法很好地工作。

9 data-visualization  communication 

我和我的顾问就数据可视化争论不休。他声称，当代表实验结果时，值应仅用“ 标记 ” 绘制，如下面的图像所示。虽然曲线只能代表“ 模型 ” 另一方面，我相信在许多情况下，为了提高可读性，曲线是不必要的，如下面的第二幅图所示： 我是错还是我的教授？如果是后者，我该如何向他解释。

9 data-visualization  communication