Lautsprecher: Henry Qiao ), Ningde New Energy Technology Co., Ltd., 6Sigma/TRIZ Werbeperson
das Redethema : Firth anwenden Die Maximum-Likelihood-Schätzung der Strafe beträgt GLM Lösen Sie das Problem der Datentrennung in
Zusammenfassung der Rede:
Bei der binomialen Datenmodellierung kommt es häufig vor, dass der Wertebereich von p [0, 1] ist, während der Wertebereich der allgemeinen linearen Modellantwort 𝑦 (−∞, +∞) ist; es besteht eine nichtlineare Beziehung zwischen p und der Faktor x. Linear; p ist für den Fall, dass die Varianzen der Werte verschiedener Faktoren x ungleich sind. Wenn es viele erklärende Variablen gibt, die Stichprobengröße klein und die Datenverteilung ungleichmäßig ist, ist die Anpassung anfällig für Trennungsprobleme. Die Anwendung der Firth-Strafe-Maximum-Likelihood-Schätzung ist eine bessere Möglichkeit, das Datentrennungsproblem zu lösen. Die Grundidee der Firth Penalized Maximum Likelihood Estimation (PMLE=Penalized Maximum Likelihood Estimation) besteht darin, der Log-Likelihood-Funktion einen Strafterm hinzuzufügen, um die Abweichung der Maximum-Likelihood-Schätzung des Parameters zu verringern. Maximum-Likelihood-Schätzung (MLE) Basierend auf der asymptotischen Theorie hängt es von der Anordnung jedes Datenpunkts im Stichprobenraum ab. Wenn die Stichprobengröße groß und die Datenverteilung ausgeglichen ist, können idealere Ergebnisse erzielt werden. In diesem Video wird anhand praktischer Fälle detailliert vorgestellt, wie die Firth-Strafe-Maximum-Likelihood-Schätzung angewendet wird, um das Datentrennungsproblem in GLM zu lösen.
