Questions tagged «history»

有关统计历史的问题。

2
JürgenSchmidhuber引入了生成性对抗网络吗？
我在https://en.wikipedia.org/wiki/Generative_adversarial_networks上阅读： [生成对抗网络]由Ian Goodfellow等人于2014年引入。 但Jurgen Schmidhuber声称曾在该方向上进行过类似的工作（例如，在生成对抗网络教程期间，NIPS 2016上进行了一些辩论：https：//channel9.msdn.com/Events/Neural-Information-Processing-Systems-会议/神经信息处理系统会议-NIPS-2016 / Generative-Adversarial-Networks，请参阅1h03min）。 生成对抗网络背后的想法是由JürgenSchmidhuber首次公开提出的吗？如果没有，尤尔根·施密德胡伯（JürgenSchmidhuber）的想法有多相似？
6
为什么将期望值如此命名？
我知道我们如何获得3.5作为滚动6面模具的期望值。但从直觉上讲，我可以期望每张脸的机会均等为1/6。 那么，掷骰子的期望值是否不应该是1-6之间相等的概率？ 换句话说，当被问到“投掷一个合理的6面骰子的预期价值是什么？”这个问题时，人们应该回答“哦，它可以是1-6之间的机会相等。” 相反，它是3.5。 在现实世界中，有人可以直观地解释我在掷骰子时的期望值是3.5吗？ 同样，我不希望公式或期望的推导。
2
谁首先使用/发明了p值？
我试图写一系列有关p值的博客文章，我认为回到所有起点很有趣-这似乎是Pearson的1900年论文。如果您熟悉那篇论文，您会记住这涵盖了拟合优度测试。 在涉及p值时，Pearson的语言有些松懈。他在描述如何解释其p值时反复使用“奇数”。例如，在第168页中，当谈到重复掷12个骰子的结果时，他说“ ...导致我们得出P = .0000016，或者相对于这样的随机偏差系统，赔率是62499对1有了这样的几率，就可以合理地得出结论，骰子表现出对更高点的偏见。 ” 在本文中，他提到了较早的作品，包括1891年Merriman撰写的关于最小二乘法的书。 但是Pearson确实为p值（拟合检验的卡特卡方差）进行了计算。 皮尔森（Pearson）是第一个认识p值的人吗？当我搜索p值时，提到了费舍尔-他的工作是在1920年代。 编辑：感谢您提到拉普拉斯（Laplace）-他似乎没有解决零假设（皮尔逊似乎隐含地这样做，尽管他从未在1900年的论文中使用该术语）。培生（Pearson）从以下方面看拟合检验的优劣：假设计数是从无偏过程中得出的，那么观察到的计数（以及计数更加偏差）从假设的分布中产生的概率是多少？ 他对概率/奇数的处理（他将概率转换为几率）表明他正在对原假设进行隐式设计。至关重要的是，他还提到x ^ 2值引起的概率表明，相对于他现在计算出的p值，“相对于我们现在所认识的语言，这种偏离系统是不可能的或比现在更不可能的”。 阿布诺没有走那么远吗？ 随时将您的评论作为答案。很高兴看到讨论。
1
旧书中的统计表故意错误吗？
我记得前一段时间读过，在旧书（计算机时代以前）中，附录中显示的理论分位数的最后一位数字是不准确的，目的是防止抄袭（想法是，如果另一本书中有一张桌子，附录中最后一位数字与您所找到的数字相同，则该作者必须抄袭了您的表格）。 我试图找回该故事的来源或提及该故事的链接，但是经过数小时的搜索，我找不到了。
2
谁发明了决策树？
我试图追踪谁发明了决策树数据结构和算法。 在维基百科上有关决策树学习的条目中，有一种说法是“ ID3和CART是在大约同一时间（1970年至1980年之间）独立发明的”。稍后在以下位置介绍ID3： 昆兰，JR 1986年。决策树的归纳。马赫 学习。1，1（1986年3月），81-106 所以我不确定这个说法是否正确。 我发现使用Google的书籍是对1959年的《统计决策系列》和1958年的工作论文集的引用。上下文不清楚，他们似乎没有提出算法。但是，他们没有定义数据结构并将其视为众所周知的结构。 使用Google Scholar，我发现了可以追溯到1853年的引文，但这些引文是解析错误，而不是从那时起的实际引文。
24 cart  history 
3
无知先验理论的历史
我正在为贝叶斯统计课程（经济学硕士）写一则关于非先验先验的简短理论文章，并且试图理解发展该理论的步骤。 到目前为止，我的时间轴分为三个主要步骤：拉普拉斯的冷漠原则（1812），非不变先验（Jeffreys（1946）），伯纳多参考先验（1979）。 从我的文献综述中，我了解到，冷漠原理（Laplace）是用来表示缺乏先验信息的第一个工具，但是由于缺少不变性的要求，导致这种放弃一直到40年代，杰弗里斯（Jeffreys）提出了他的方法，该方法具有不变性的期望性质。由于在70年代不小心使用了不当先验而导致的边缘化悖论的出现促使贝尔纳多（Bernardo）阐述了他的先验先验理论以解决这个问题。 阅读文献时，每个作者都引用了不同的贡献：Jaynes的最大熵，Box和Tiao的数据翻译的可能性，Zellner，... 您认为我缺少哪些关键步骤？ 编辑：如果有人需要，我添加我的（主要）引用： 1）通过正式规则选择先验者，卡斯，瓦瑟曼 2）无信息先验的目录，Yang，Berger 3）非信息贝叶斯先验解释以及构造和应用问题
1
逐步回归引起的咆哮
我很了解回归模型中逐步/向前/向后选择的问题。有许多研究人员谴责这些方法并指出更好的选择。我很好奇是否存在任何统计分析的故事： 使用逐步回归； 根据最终模型得出了一些重要结论 结论是错误的，对个人，研究或组织产生负面影响 我的想法是，如果逐步方法不好，那么使用它们在“现实世界”中应该会有后果。
1
箱形图的历史如何？“箱形和晶须”设计是如何演变的？
许多消息来源至今经典的“箱线图”的设计，以约翰杜克和他的“示意图表”的1970年的设计似乎从那时起已经保持相对静态的，爱德华·塔夫特的删节箱形图的版本没有流行开来，而小提琴图 -尽管盒式图的信息更丰富-仍然不那么受欢迎。克利夫兰关于胡须延伸至第10和第90个百分位数的建议有一些支持者，请参阅Cox（2009），但这不是常态。 哈德利·威克汉姆（Hadley Wickham）和丽莎·斯特里耶夫斯基（Lisa Stryjewski）撰写了关于盒式积木历史的未发表论文，但似乎没有涵盖盒式积木的历史先驱。 那么，当前无处不在的“盒子和胡须”情节是如何产生的呢？它从什么样的数据可视化发展而来，那些早期的设计是否具有显着的优势，为什么图基的方案在使用中似乎使它们显得如此全面？图示的答案将是一个加分法，但针对比Wickham和Stryjewski更深入的历史参考将是有用的。 参考文献 新泽西州考克斯（2009）。讲故事的状态：创建和改变箱形图。Stata Journal，9（3），478。 Wickham，H.和Stryjewski，L.（2011）。40年的箱线图。http://vita.had.co.nz/papers/boxplots.pdf
1
当被字“偏见”杜撰的意思
当被字“偏见”杜撰的意思 E[θ^−θ]E[θ^−θ]\mathbb{E}[\hat{\theta}-\theta]？ 我现在正在考虑这个问题的原因是因为我似乎想起了Jaynes，在他的概率论课本中，批评了使用“ bias”一词来描述该公式，并提出了另一种选择。 根据Jaynes的概率论，第17.2节“无偏估计”： 为什么东正教徒这么偏重偏见？我们怀疑其主要原因仅仅是因为他们陷入了自己制造的心理狂陷阱中。当我们调用量(⟨β⟩−α)(⟨β⟩−α)(\langle\beta\rangle-\alpha)“偏见”，这听起来像是应该谴责的，我们必须不惜一切代价消除它。如果按照毕达哥拉斯式（17.2）的建议，将其称为“与方差正交的误差分量”，则很明显，这两个对误差的贡献是相等的；减少一个以牺牲另一个为代价是愚蠢的。这只是选择一种技术术语所付出的代价，该术语承载着情感上的负担，暗示着价值的判断；正统思想不断陷入这种战术错误。
3
为什么β分布密度函数为-1？
Beta分布出现在两个参数设置下（或在此处） f(x)∝xα(1−x)βf(x)∝xα(1−x)β(1) f(x) \propto x^{\alpha} (1-x)^{\beta} \tag{1} 或似乎更常用的一种 f(x)∝xα−1(1−x)β−1f(x)∝xα−1(1−x)β−1(2) f(x) \propto x^{\alpha-1} (1-x)^{\beta-1} \tag{2} 但是，为什么第二个公式中确切有“ ”呢？−1−1-1 第一个公式在直观上似乎更直接对应于二项式分布 g （k ）∝ p k（1 - p ）n - kg(k)∝pk(1−p)n−k(3) g(k) \propto p^k (1-p)^{n-k} \tag{3} 但是从的角度来看“可见”ppp。这在beta二项式模型中尤其明显，其中可理解为先前的成功次数，是先前的失败次数。αα\alphaββ\beta 那么，为什么第二种形式确切地受到欢迎，其背后的原理是什么？使用任何一种参数化（例如，用于与二项分布的连接）有什么后果？ 如果有人可以另外指出这种选择的起源和最初的论点，那就太好了，但这对我来说不是必需的。
3
统计历史时期
许多科学领域的历史可以分为少量的时间间隔，通常以一些重要的发现开始。 但是我从未见过类似的统计时间表。 显然，有一些重要的日期可以视为新时期的起点（帕斯卡+费马特，贝叶斯，皮尔逊，图凯等等）。 我们是否可以至少非常粗略地将统计历史划分为少量时期？请注意，与此类似的唯一问题仅与著名的统计学家有关，而与历史时期无关。
18 history 
2
MCMC何时开始普及？
有谁知道MCMC在哪一年左右变得司空见惯（即贝叶斯推理的一种流行方法）？随着时间的推移，链接到已发表的MCMC（期刊）文章的数量将特别有用。
18 bayesian  mcmc  history 
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.