Altoparlanti: Henry Qiao ), Ningde New Energy Technology Co., Ltd., 6Sigma/TRIZ Persona di promozione
l'argomento del discorso : Applicare Firth La stima di massima verosimiglianza della sanzione è GLM Risolvi il problema della separazione dei dati in
Riassunto del discorso:
Nella modellazione binomiale dei dati, si riscontra spesso che l'intervallo di valori di p è [0, 1], mentre l'intervallo di valori della risposta del modello lineare generale 𝑦 è (−∞, +∞); esiste una relazione non lineare tra p e il fattore x. Lineare; p è per il caso in cui le varianze dei valori dei diversi fattori x sono disuguali. Quando ci sono molte variabili esplicative, la dimensione del campione è piccola e la distribuzione dei dati non è uniforme, l'adattamento è soggetto a problemi di separazione. Applicare la stima di massima verosimiglianza della penalità di Firth è un modo migliore per risolvere il problema della separazione dei dati. L’idea di base della Firth Penalized Maximum Likelihood Estimation (PMLE=Penalized Maximum Likelihood Estimation) è quella di aggiungere un termine di penalità alla funzione log-verosimiglianza per ridurre la deviazione della stima di massima verosimiglianza del parametro. Stima della massima verosimiglianza (MLE) Basandosi sulla teoria asintotica, dipende dalla disposizione di ciascun punto dati nello spazio campionario; quando la dimensione del campione è ampia e la distribuzione dei dati è bilanciata, è possibile ottenere risultati più ideali. Questo video introdurrà in dettaglio come applicare la stima di massima verosimiglianza della penalità di Firth per risolvere il problema della separazione dei dati in GLM attraverso casi pratici.
