Questions tagged «references»

问题：拟最大似然估计（QMLE；又称伪最大似然估计，PMLE）背后的思想和直觉是什么？当实际误差分布与假定误差分布不匹配时，使估算器工作的原因是什么？ QMLE 的Wikipedia站点很好（简要，直观），但是我可以使用更多的直觉和细节，也许还可以作为例证。其他参考文献也很受欢迎。（我记得翻阅了很多计量经济学教科书，以寻找有关QMLE的资料，而令我惊讶的是，QMLE仅涵盖其中一到两个，例如Wooldridge “横截面和面板数据的计量经济学分析”（2010年），第13章第11节，第502-517页。）

17 maximum-likelihood  references  intuition  quasi-likelihood 

我希望你能给我一些建议。我在一所非常多样化的大学（由少数群体组成）中任教，而学生大多是心理学专业。大多数学生都是刚从高中毕业的学生，​​但其中一些是年龄较大的40岁以上的回国学生。大多数学生都存在动机问题和对数学的反感。但是我仍在寻找一本涵盖基本课程的书：从描述性到ANOVA一直到实验方法范围内的采样，测试和测试。该部门要求我在课堂上使用SPSS，但我喜欢在Excel等电子表格中进行分析的想法。 ps其他老师使用一本我不喜欢的书，因为它广泛依赖于计算公式。我发现使用这些计算公式-而不是更直观，计算量更大的与合理和基本算法一致的公式-直观，不必要和令人困惑。这是我所引用的《行为科学统计学要旨》，第7版，纽约州立大学弗雷德里克·J·格雷夫特分校，布罗克波特Larry B. Wallnau纽约州立大学，布罗克波特ISBN-10：049581220X谢谢您的阅读！

17 references  teaching 

有谁知道关于非线性回归的统计文献的好评论文章？我主要对一致性结果和渐近性感兴趣。 特别感兴趣的是模型 yit=m(xit,θ)+ϵit,yit=m(xit,θ)+ϵit,y_{it} = m(x_{it},\theta) + \epsilon_{it}, 用于面板数据。 非参数方法的兴趣不大。 也欢迎提供期刊建议。 目前，我正在阅读《计量经济学手册》中的 Amemiya（1983），但我希望能得到更多更新的信息。 Wooldridge，JM（1996）《计量经济学杂志》中的“用不同的工具为不同的方程式估计方程系统” 是一个比上述评论晚的贡献的例子，因此不包括在内。

17 regression  references  nonlinear-regression 

正确的计分规则是“真实”模型最大化的规则，并且不允许“对冲”或对系统进行博弈（故意报告不同结果，因为该模型的真实信念是提高分数）。石棉分数是适当的，准确性（正确分类的比例）是不适当的，并且经常受到阻碍。有时我会看到AUC被称为半正确评分规则，这使其准确性不完全虚假，但不如适当规则敏感（例如，此处/stats//a/90705/53084）。 半正确评分规则是什么意思？它在某处定义吗？

16 classification  references  roc  measurement-error  scoring-rules 

什么是正态分布的第一个推导，您能否重现该推导并在其历史背景下进行解释？ 我的意思是，如果人类忘记了正态分布，那么我最有可能重新发现它的方式是什么，最可能的推导是什么？我猜想最初的推导一定是作为尝试寻找快速方法来计算基本离散概率分布（例如二项式）的副产品而来的。那是对的吗？

16 probability  distributions  normal-distribution  references  history 

背景：过去约4年的许多现代研究（后alexnet）似乎已不再使用对神经网络进行生成式预训练来获得最新的分类结果。 例如，此处 mnist的最高结果仅包括前两篇论文中似乎使用生成模型的50篇论文，这两篇论文都是RBM。其他48篇获奖论文涉及不同的判别式前馈体系结构，并且为寻找更好的/新颖的权重初始化和激活函数而不是RBM和许多较旧的神经网络中使用的S型曲线付出了很多努力。 问题：是否有现代的理由使用限制玻尔兹曼机？ 如果不是，是否可以对这些前馈体系结构进行实际修改，以使它们的任何层生成？ 动机：我问，因为我看到的某些模型可用，通常是RBM上的变体，不一定与这些生成层/模型具有明显相似的区分性，反之亦然。例如： mcRBM ssRBM CRBM（尽管有人可能会说CNN使用的前馈架构是判别式类似架构） 同样，分别从2010年，2011年和2009年起，这些显然也是prelex网络。

16 references  deep-learning  rbm  generative-models 

我将需要在即将举行的会议上向非统计人员提出一个项目，并且我想引用我曾经读过的一句话，以使统计数据与处理矿石的机器之间进行比较。原因是我想强调统计能力与受众目标之间的某种联系。 我找不到报价，希望有人能为我提供参考。它遵循以下内容： 考虑从矿石中提取金的情况。好的采金机的期望是它可以将矿石中的金干净地分离出来，而不会浪费。我们不会批评这台机器如果原本就没有矿石，就不会提取金，如果它无法从微量的矿石中提取金，我们也不会做出过分严厉的判断。同样，统计信息是从数据中提取信息的机器。统计信息无法创建信息，数据必须包含该信息。 我相信这是费舍尔的话，他继续指出自己和机器操作员之间的相似之处。我认为他的意思是，只要他的统计机制很聪明，他就不需要变得特别聪明就能获得良好的结果。 任何帮助，将不胜感激。如果可能，请提供完整报价。 报价位置的详细信息（找到答案后添加）： 跟随所选答案的线索后，我找到了带有引号的论文。它是： 费舍尔，RA（1947）。实验设计理论的发展。程序 的 统计员。华盛顿，Conf.3，434-439。 它可以免费找到这里，在费舍尔文集的数字档案。这似乎是他在1947年发表的一次会议演讲。

16 references  quotation 

在过去的几个月里，我为阅读今年夏天的硕士论文集中阅读了分位数回归。具体来说，我已经阅读了罗杰·科恩克（Roger Koenker）2005年有关该主题的大部分书籍。现在，我想将现有知识扩展到允许工具变量（IV）的分位数回归技术。这似乎是一个活跃的研究领域，并且正在迅速发展。 也许有人可以建议我： 有关IV分位数回归的论文或其他文献 这些不同的统计技术的简要概述 不同技术的利弊 我主要是在寻找文学知识，以使我入门并全面了解现有知识。因此，第一点很重要。第二和第三将是很好！我的兴趣主要在于横截面方法，但也欢迎使用面板方法。 提前致谢。

16 regression  references  econometrics  instrumental-variables  quantile-regression 

的Fréchet可-Hoeffding上限适用于连接函数分布函数，它是由下式给出 C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. 系密度而不是CDF 是否有相似的上限（在某种程度上取决于边际密度）？c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) 任何参考将不胜感激。

16 references  joint-distribution  bounds  copula 

停止规则会影响P值与决策相关的错误率之间的关系。Simmons等人的最新论文。2011年创造了一个术语“ 研究人员自由度”来描述一系列行为，他们认为这些行为是造成心理学文献中许多报告不可重复的报告的原因。 在这些行为中，我当前感兴趣的是可选的停止规则或未声明的临时分析。我向学生描述了它们对错误率的影响，但似乎在我的学生所使用的教科书中没有描述（或不描述）采用！）。在我大学的主书店中，有十四本针对生物科学，商业，工程等各个学科的入门级学生的统计教科书。这些教科书中只有一本包含索引项“顺序测试”，而没有一个索引项“停止规则”。 是否有入门级的统计教科书来说明可选的停止规则的问题？ 西蒙斯（JP），尼尔森（LD）和西蒙索恩（U）（2011）。错误正面心理学：数据收集和分析中未公开的灵活性允许提出任何有意义的内容。心理科学，22（11），1359–1366。doi：10.1177 / 0956797611417632

16 references  type-i-and-ii-errors  optimal-stopping 

有什么好书可以解释概率论的重要概念，例如概率分布函数和累积分布函数吗？ 请避免引用约翰·赖斯（John Rice）的“数学统计和数据分析”之类的书籍，这些书籍从简单的置换概念开始，然后突然（在第二章中）假设真实计算，多重和表面积分知识开始飞跃，并开始描述CDF和PDF并以3维图形进行说明。一个问题是如何连接一切。 我正在寻找自学书籍，任何与“实用人的微积分”类别相同的书籍都会有很大的帮助。

16 probability  self-study  distributions  references  theory 

我已经尝试过几次以“自行完成”-但取得的成功有限。我是SPSS的临时用户，并且有一些SAS经验。 将感谢背景相似并且现在使用R的某人的一个或两个指针。

16 r  references 

我需要一些资源来开始使用神经网络进行时间序列预测。我很警惕地执行一些论文，然后发现他们已经大大夸大了他们方法的潜力。因此，如果您有使用这些方法的经验，那么建议它会更加出色。

16 time-series  neural-networks  forecasting  references 

我认为可以说统计学是一门应用科学，因此在计算平均值和标准差时，是因为有人希望根据这些数字做出一些决策。 作为一名出色的统计学家，我希望能够“感知”何时可以信任样本数据，以及何时某些统计测试完全歪曲了我们感兴趣的真实数据。成为对分析感兴趣的程序员大数据集我正在学习一些统计数据和概率论，但我无法摆脱这种this的感觉，即我看过的所有书都像是政客，登上舞台，讲了很多话，然后追加演讲结束时的以下免责声明： 现在，我并不是说这是好事还是坏事，但是数字表明这很好，所以无论如何您都应该投票支持我。 也许您明白了，但您可能没有，这是一个问题。我该去哪里找统计学家的战争故事，而他们的决策是基于某些统计信息的，后来又证明是完全错误的？

16 references  inference  descriptive-statistics  history  fallacy 

我试图对机器学习中的一些基本思想有一个整体的认识，我想知道是否对不同的损失概念（平方，对数，铰链，代理等）进行了全面的处理。我正在按照约翰·兰福德（John Langford）关于损失函数语义学的出色文章进行更全面，正式的介绍来考虑一些问题。

16 references  loss-functions