その
ほとんど
有名な
引用
で
全て
の
統計
は
ジョージ
ボックスの
"全て モデル は 間違っている、 しかし いくつかの は 役に立つ。"
私は 聞いた これ 引用 で ほとんど 毎 会議
私は これまで された に、 そして なぜなら の これ、
に 私の 思い出、 私は 実は 避けた 使用して これ 引用 で どれでも 話す 前に。
しかし いつ I 見た 上
その 初め 時間 それ だった これまで セット で 印刷、 それ だった で a 1976 ジャーナル
の その アメリカ人 統計 協会 記事。
その 見つかった で a セクション と呼ばれる 倹約。
すぐに 後 それ 初め 実例
の その 引用、 彼 会談 について その 重要性 の 発見
その 最も単純な モデル それ 説明する その 観察された 現象。
これ 金額 に 発見 モデル それ オファー a 合理的 バランス
の 適合度 対 モデル 複雑 そして は その通り
何 私は 行く に なれ 話している について 今日 で これ プレゼンテーション。
ジャンプ そして ジャンプ プロ オファー a 多く の 違う モデリング 能力、
それぞれ と a 多く の 出力 関連している に 選択する a モデル。
今日 私は 行く に 行く の中へ いくつかの 詳細 の中へ いくつかの の その ほとんど 重要 の これら、
ハイライト 彼らの モチベーション そして その 仮定 後ろに 彼ら。
A 多く の その 議論 意思 なれ について その AICc そして BICモデル 選択 基準、
どれの は 直接 そして とても データ- 効率的 ツール のために アドレッシング その 問題。
箱 持っていた で 心 と 彼の 引用、
どれの は どうやって に 探す a 役に立つ モデル から a セット の 欠陥のある または 間違っている もの。
として I だった パッティング これ プレゼンテーション 一緒に、
I 行った を通して その 派生 の その AIC そして その ビック。
I 望んでいた に 得る a クリア 理解
の 何 これら 似ている- 見ている 方法 本当に は そして 何 仮定 彼らは 作った。
その後、 外 の 好奇心、
I した 一つの インターネット 検索 の AIC 対 BIC対 クロス検証。
それ だった 面白い に 見る で 全て これら インターネット フォーム それ そこには は まだ
それで 多くの 議論、 平 けれど これら 方法 持っている された その周り のために 50 年。
持つ 最近 レビュー済み その 派生 の その 方法、
それ 見た目 のように そこには は まだ a 多く の 誤解 外 そこには。
I 考える その 理由 のために これ は それ 両方 モデル 選択 基準
持っている とても 深い そして テクニカル 派生
にもかかわらず その シンプルさ の 彼らの 数式、 両方 の 彼ら は 等しい に マイナス 二 回
その 対数尤度 の その フィット モデル、
プラス a 単純 ペナルティ ベース の上 その 番号 の モデル パラメータ。
あなた できない 推測 その 理由
のために その ペナルティ 条項 から その 式 一人で、
どれの 作る 彼ら 思われる 神秘的な そして 任意。
1つ の 私の 目標 今日 は に 試す
に 神秘性を解き明かす これら それなし 行く 船外に の上 その 数学。
に 置く これ 全て で その コンテクスト の 一つの 分析 ワークフロー、
私たちは できる 考える の 一つの 分析 プロジェクト として 持つ 4つ 選考科目 手順。
私たちは 初め 持っている に 取得する その データ、 得る それ 整頓された そして 掃除した 上。
それから 私たちは フィット いくつかの モデル に それ で a 方法
それ は どちらか マニュアル または 自動化された による ソフトウェア のように ジャンプ または ジャンプ プロ。
一度 私たちは 終わり それ、 それから 私たちは 必要 に 選ぶ 1つ の 彼ら
として その モデル それ だった 行く に 仕事 と 動く フォワード。
これ は a 致命的 ステップ で その プロセス それ 良い なれ 焦点を合わせる の上 今日。
その 重要 それ 私たちは 得る その モデル 選択 右
なぜなら その 品質 の その 結果 そして その 結論 私たちは 作る
で その 終わり 必要 それ 私たちは 持っている a 適度に 良い モデル。
ここ は その 主要 方法 それ 私は 見た 人々 作る 決定 について モデル。
仮説 テスト は おそらく その 初め 1つ 人々 学ぶ について。
これら は ほとんど 一般的に 使用済み に 決定する もし a 回帰 係数
は 統計的に 大幅 違う から ゼロ、
どれの 音 のように a モデル 選択 問題。
その間 彼らは は 頻繁 使用済み で それ 方法、
仮説 テスト は 派生 下 a 特定の セット の 仮定
それ 明示的に する ない アカウント のために 持つ 変更された その モデル
または 持つ 使用済み a モデル それ だった 選ばれた として その 最高
の間で いくつかの 代替案。
それから 私たちは 持っている その 一般的な 経験的 手順 それ 評価 モデル ベース
の上 データ 開催 外 から その モデル フィッティング プロセス。
これら テクニック できる なれ 適用済み に 両方 クラシック 統計的 モデル
として 良い として 機械 学ぶ モデル。
で 私の 意見、 ホールドアウト 検証、 で 特定の、 は その 方法 に 行く
もし あなた 持っている a 全体 多く の データ。
それから 私たちは 持っている 何 全て と呼ばれる その 小さい データ 分析的な 手順。
これら だった 派生 のために 状況 いつ あなた 持っている に 作る a 決断
について どれの モデル に 使用、 しかし あなた しない 持っている 十分 データ
に 所有 外 どれでも 観察。
その ほとんど 一般的に 使用済み の これら は その AIC そして その ビック。
しかし そこには は 他の 良い- 知られている テクニック
のように 一般化C ロス検証 そして マロウズC P.
それ ターン 外 それ これら 二 は 実は 漸近的に 同等
に その AIC、 それで で 大きい サンプル あなた すべき 得る その 同じ 結論 から GCV、
マロウズ CP、 そして その AIC、 で 特定の、 のために で 少しでも 正方形- ベース モデル。
それから 私たちは また 持っている 何 病気 電話 モデル- 特定の アプローチ のように VIP
そして 部分的に 正方形 モデル そして その キュービック クラスタリング 基準
クラスタリングにおいて モデル。
これら は かわいい ニッチ そして I しません なれ 話している について 彼ら どれでも もっと ここ 今日。
それから 私たちは また 持っている ビジュアル ツール のように 実際 予測された プロット
そして 中華民国 曲線。
関係なく の どうやって あなた 選ぶ あなたの モデル、
これら プロット は 良い に 取る a 見て で 前に 動く フォワード と a モデル
なぜなら 彼らは 提供する もっと 面白い 情報
よりも どれでも 個人 統計 意思 そして できる 教えて 私たち もし その 最高 モデル
それ 私たちは 考慮された それで 遠い は まだ a 良い 十分 モデル のために 私たち に 使用。
私の 自分の 初め 出会い と モデル 選択 基準 で 私の プロ 人生
だった 戻る で その 中期 2000年 その周り いつ ジャンプ5 そして ジャンプ 6 だった 外。
ジャンプ 持っていた 追加した その 能力 に 提供する 能力 分析
のために 非 普通 配布物。
能力 分析 は a とても 重要 道具
のために 評価する かどうか a 製造業 プロセス は " 有能"
の 配達 製品 それ は 内で 仕様。
ジャンプ ユーザー 望んでいた に 決定する 「 最高 分布" のために その データ
それで 彼らの プロセス 能力 メトリクス だろう 最高 反映する その 現実
の 彼らの 状況。
ジャンプ 顧客 理解した それ あなた できた フィット 違う 分布 と ジャンプ
そして 知っていた それ 多くの の その 分布 来た と a 適合度 テスト で a 場合
の 持つ a ハンマー 原因となる あなた に 探す 爪 どこにでも。
彼らは だった 試して 全て その 分布 彼らは できた 探す そして だった 選択する その 1つ
と その 最大 p値 として その 分布
のために 彼らの 能力 分析。
彼らは 望んでいた 私たち に 成文化する これ の中へ a 新しい フィット 全て 分布 特徴
それ だろう 自動化する これ プロセス のために 彼ら。
しかし 私たちは だった それよりも 不快 と これ リクエスト のために a 番号 の 理由。
のために 1つ もの、 その 違う 分布 フィットする ジャンプ
来た と 違う 種類 の 適合度 テスト。
その 普通 持っていた a シャピロ ウィルク テスト。
その ワイブル 持っていた a クラマー・フォン・ミーゼス テスト、 そして その 対数正規分布 持っていた a コルモゴロフ テスト。
その とても 奇妙な に 比較する テスト
それ は それよりも 違う から 1つ 別の。
別の 問題 と これ アプローチ は それ 分布 と もっと パラメータ
は 行く に 傾向がある に 持っている 一つの 角 の上 それらの と 少ない。
もし 私たちは 選ぶ その 分布 ベース の上 その 最大 p値、
それ 意思 いつも 好意 分布
と もっと パラメータ として 私たちは 見る ここ と その 二- パラメータ 普通 比較すると
と その 4つの パラメータ ジョンソン は 分布。
それから のために いくつかの の その 分布
のように その ワイブル クレイマー から 賭け W テスト、
私たちは のみ 持っていた テーブル 価値観 の p値 行く 上 に 何か のように P 等しい 25.
しかし 平 もし 私たちは 連結 全て その 適合度 テスト 下
に ただ 1つ そして 得た 正確な p値 のために 全て の 彼ら、
そこには まだ a 大きい 哲学的な 問題 で ステーク そして それは それ 仮説 テスト
のように これら できる のみ 定量化する 証拠 に対して その ヌル 仮説。
もし その ヌル 仮説 は 真実、
それから その p値 は a 均一に 分散型 ランダム 変数。
で 他の 言葉、 もし その ヌル 仮説 は 真実、
それから その 確率 それ その p値 は 間 0.1 そして 0.2 は その通り
その 同じ として その 確率 それ それ は 間 0.8 そして 0.9。
S 見ている a p値 の 0.9 ない もっと 証拠 それ その 仮説
は 真実 よりも a p値 の 0.3。
戻る に 私たちの 例、 なぜなら 全て 4つ の これら 分布
持っている よかった の- フィット p値 大きい よりも 0.05。
を通して これ レンズ、 全て 4つ 分布
フィット その データ 適度に 良い、 平 けれど その 適合度 テスト 言う
全て その 分布 は 良い、 その 結論 について その プロセス
生成する その データ は 違う 依存する の上 その 分布。
もし あなた 使用 a ピーク 参照 価値 の 1.33
に 決定する もし その プロセス は 有能、 それから 選択する その 実行可能 示す
それ その プロセス は ない 十分に 有能 に 会う その 仕様、
一方 その 他の 分布 示す それ その プロセス は 有能。
私たちは 認識する それ そこには 持っていた に なれ a より良い 方法 に 決定する
その 分布 自動的に そして 来た に その 結論
それ これ すべき なれ 見た として a とても 基本的な 親切 の モデル 選択 問題。
で 私たちの 検索 のために a 音 方法 のために 選択する a 分布、
私たちは つまずいた その上 これ とても 良い 本 の上 モデル 選択 による バーナム そして アンダーソン。
彼らは 与える 注意深い 派生 の その AIC から その 視点
の 情報、 理論、 そして クロス検証。
彼らは また 与える a 導出 の その ビック の中へ どうやって その AIC できる なれ 派生
で その 同じ 方法 と a 違う 予測 について その 前 分布。
バーナム そして アンダーソン また 気をつけて 見せる
仮説 テスト は それよりも 支離滅裂な として a モデル 選択 戦略。
その 本 持っていた a かわいい 大きい インパクト の上 私の 自分の ビュー の モデリング
そして また の上 ジャンプ 統計的 モデリング プラットフォーム。
戻る に その 分布 選択 問題 のために その 一瞬、
いつ 私たちは 行った 先に そして 追加した a 分布 セレクタ、
私たちは 終了 上 呼び出し それ フィット 全て そして 私たちは ベース それ の上 その AICc.
ここ の上 その 左、
私たちは 持っている 二 分布 の その 能力 分析 データ
私たちは だった 見ている で 前に、 その 普通 そして その ジョンソン 彼らです。
その ジョンソン スーの 適合度 p値 は 大きい よりも その 通常の なぜなら それ もっている
二 もっと パラメータ よりも その 普通 分布。
今 の上 その 右、
私たちは 見る その 結果 の a フィット 全て 使用して その AICc.
その 普通 来る 外 として その 最高- フィッティング 分布、
しかし その Johnson Su は 近く その 底。
これ は なぜなら その AICc は 罰する それ のために 持つ これら 二 余分な パラメータ。
これ 特徴 もっている 今 された 使用済み 多くの、 多くの 回
そして I 信じる 人々 は 一般的に かわいい ハッピー と それ。
今 私は 行く に 行く を通して
a 幾分 マシー しかし うまくいけば アクセス可能 説明
の 何 その AICc 本当に は。
全て 右。
今 私は 行く に 行く の中へ いくつかの 基本的な 理論 後ろに その エーアイシー。
病気 なれ として 簡単な として 可能 そして 使用 その 最高 類推 として I できる、
しかし I 考える それ は 重要 に なれ 露出 に その 基礎となる 概念 それで あなた できる 見る
それ その AIC もっている a 厳格な 財団 それ もっている いくつかの センス に それ。
その AIC- タイプ 選択 基準 は ベース の上 a 距離- タイプ メトリック
間 確率 分布 と呼ばれる その カルバック ライブラー または CL 発散。
それ 定量化する その 額
の 情報 失った による 使用して 確率 分布 二
1つ 確率 分布 1つ は その 正しい 1つ。
CL 発散 もっている その 財産 の いつも いる より大きい よりも または 等しい に ゼロ
そして は のみ 等しい に ゼロ いつ その 二 確率 分布
は その 同じ。
これ は に 言う それ 使用して その 間違っている 分布 いつも リード
に a 理論的には 定量化可能、 厳密に ポジティブ 情報 損失。
これ は かわいい 酔わせる 抽象的な もの、
それで 私は 行く に 翻訳する それ の中へ その 言語 の 統計的 モデリング。
いつ 私たちは は 使用して データ で 統計 に 学ぶ について どうやって 何か 作品、
私たちは は 明示的に または 暗黙的に フィッティング 確率 モデル に その データ
に 近似 その 真実 モデル それ 生成された それ。
もし 私たちは 知っていた その 真実 確率 生成する 機構、 私たちは できた 使用 その CL 発散
に 定量化する どうやって 遠い または どうやって 間違っている その モデル は から その 真実。
私たちは できた それから 試す いくつかの モデル そして 探す その 1つ それ は その 最も近い
に その 真実。
赤池 認識された これ そして 差し込まれた その 真実
そして その モデル 確率 数式 の中へ その CL 発散 式
そして 使用済み a 少し 代数 に 見る それ その CL 発散 持っていた 二 条項。
その 初め 学期 のみ 含む その 真実 確率- 生成する 機構
のために その データ、 どれの 私たちは できる 一度もない 知る 以来 私たちは できる のみ 仕事 と モデル。
しかし、 これ は a 絶え間ない それ は その 同じ のために 全て モデル
それ あなた フィット に その データ
として 長さ として 私たちは 遊ぶ による a カップル 単純 ルール。
その 2番 学期 は 何 赤池 発見した は 経験的に 高く評価できる そして と a 多く
の 数学、 彼 見つかった a 単純 式 に 見積もり これ 2番 学期。
で 特定の、
彼 発見した それ 二 回 その CL 発散 は 等しい に a 絶え間ない
それ は その 同じ のために 全て モデル、 プラス 二 回 その ネガティブ 対数尤度
の その データ 使用済み に フィット その モデル、 プラス 二 回 その 番号 の パラメータ。
すべて 持っていた された 乗算された による a 要素 の 二 ただ に フォローする その 同じ 大会
として a 可能性 比率 テスト、 以来 その 絶え間ない 学期 は その 同じ
のために 全て モデル として 長さ として 私たちは しない 変化
その 応答 データ、 私たちは できる フィット いくつかの モデル、
そして その 1つ だれの AIC は その 最小 は その 1つ それ は 推定
に 持っている その 最小のK L 発散 から その 真実 そして で a センス は その 1つ
それ は その 少しでも 間違っている。
使用 その AIC のために モデル 選択 は 全体的に 類似の に そこには いる
a コレクション の 島々 そして あなた 欲しい に 知る どれの の その 島々 あなた 知る の
は 最も近い に 別の 島 それ あなた 知る あなたは 一度もない なれ できる
に 得る に。
その 直接 解決 に これ 問題 だろう なれ に 計算する その 距離
から それぞれ の その 島々 に その 1つ それ 私たちは 欲しい に 得る 近い に。
今、 何 もし その 島 私たちは 望んでいた に 得る 近い に だった 囲まれた
による a 円形 高い フェンス それ 私たちは できた アプローチ？
その 島 は 完璧に で その 真ん中 の その フェンス、
それで その 距離 から その 中心 の その 島 に その フェンス
は いつも その 同じ。
しかし その フェンス だった 遠い 十分 離れて から その 島 それ それ 囲まれた
それ 私たちは できなかった 見る それ または 測定 その 距離
から その フェンス に その インテリア 島。
私たちは できる まだ 見積もり その 距離 から それぞれ 島 に その フェンス。
なぜなら その 主要 島 は で その 中心 の その フェンス、
私たちは 知る それ その 島 最も近い に その フェンス は その 最も近い 島。
これ は その通り その 状況 と その エーアイシー。
と その AIC、 私たちは できる 見積もり その 距離 から その 真実 に それぞれ の その モデル。
それぞれ AIC 見積もり は オフ による その 同じ 額。
その間 私たちは できない 見積もり その 絶対 距離 の その モデル
から その 真実、 私たちは できる 知る どれの モデル は その 最も近い
で a 相対的 センス。
その オリジナル AIC は ベース
の上 その 可能性 の その トレーニング データ プラス a パラメータ ペナルティ。
その トレーニング 可能性 評価する その 善良さ フィット の その モデル。
私たちは できない 使用 これ 学期 による 自体 けれど、 なぜなら それ は 偏見のある 下向き
として その モデル パラメータ だった 選ばれた に 最小化
その ネガティブ 対数尤度。
と a 多く の 数学、 赤池 派生 a とても 単純 表現
それ 修正する のために これ バイアス。
その オリジナル ペナルティ は ただ 2 K
どこ Kは その 合計 番号 の 推定 パラメータ。
のために リニア 回帰 と a スロープ
そして 一つの 傍受、 私たちは また 持っている に カウント その 分散。
のために それ 場合 あなた だろう 持っている K 等しい 三つ そして ない 二。
そこには は 重要 仮定 それ 導かれた に 2 K ペナルティ。
私たちは できる 特徴づける 彼ら ゆるく それ その モデル もっている に なれ 適度に 良い。
その AIC は まだ 行く に なれ 屈強 しかし、 なぜなら もし a モデル は 悪い、
それから その 可能性 成分 意思 なれ 大きい そして 意思 支配する
その ペナルティ の間で その 良い モデル。
その 2K 学期 意思 好意 その 小さい モデル として 長さ
として その サンプル サイズ は 大きい。
しかし、 それ しなかった 取る 長さ のために 人々 に 探す それ これ オリジナル AIC
頻繁 ショー モデル それ 過剰適合 で 小さい サンプル、
それで a もっと 正確な、 より高い 注文 近似 に その バイアス だった 派生。
いつ これ 余分な 学期 は 追加した、
その 基準 なる 知られている として その AICc または その 修正済み エーアイシー。
残念ながら、 その 評判 それ その AIC 過剰適合
持っていた なる ありふれた 前に その 修正 だった 発見した
そして 広く 知られている について。
その 修正 なる 無限 として K 北に近づく
押す その モデル 選択 基準 離れて から モデル それ は ほぼ 飽和状態。
知らせ また それ その 修正 学期 行く に ゼロ として N 行く に 無限。
で 大きい サンプル その AIC そして AICc は 同等。
その AICc は 何 私たちは 報告された で トランプ なぜなら それ 作品 良い のために 小さい サンプル
そして それでも それ だった 派生 のために ガウス分布 分布、
経験 示唆する それ その 良い 十分 と 他の 一般的に 使用済み 配布物。
今 私は 行く に 説明する その AICc
で a 本物 例 それ だった a 五- 要素 中央 複合 デザイン と 31 実行、
そして その 応答 だった その 額 の p DNA 生産された による a バイオリアクター。
病気 説明する その AICc 使用して その 一般化された 回帰 プラットフォーム、
与える それ a 満杯 応答 表面 モデル
と 全て 主要 効果 相互作用 そして 2番- 注文 条項。
I フィット 4つ モデル に その データ。
1つ は a 満杯 応答 表面 モデル 使用して 少しでも 正方形 それ だった フィット 自動的に。
それから I 使用 フォワード 選択
下 その 普通、 対数正規分布、 そして 指数関数 配布物。
I 選んだ その 指数関数 分布 に 説明する 貧しい モデル フィット。
その モデル 持っていた 2 2、9、9、 そして 1 パラメータ それぞれ、
そして その モデル と その 最低 AICc だった その logN 通常の と 一つの AICc
の について 334.8.
私たちは できる 壊す その AIC そして AICc 計算
下 に 見る どうやって 違う 部品 の その ペナルティ は 貢献しています。
その 満杯 少しでも 正方形 モデル
もっている その 最低 可能性、 しかし その 最高 AICc 全体。
いつ 私たちは 見て で その 2番- 注文 訂正 そして その オリジナル AIC 価値観、
私たちは 見る それ その その 2番 注文 修正 学期 それ は 押す
その モデル 選択 基準 に なれ とても 大きい のために これ モデル。
その logN 通常の フォワード 選択 ログ 可能性 は a 少し より低い
よりも その 普通 フォワード 選択 1つ。
彼らは 両方 持っている 九 パラメータ、 それで 彼らの 罰則 は その 同じ
そして その logN 通常の フォワード 選択 モデル もっている その より低い AICc.
その 指数関数 フォワード 選択 モデル もっている その 最貧困層 モデル フィット として 測定された
による その 対数尤度、 しかし また のみ もっている 1つ パラメータ
で その モデル。
全体 それ もっている その 最小 ペナルティ 貢献 に その AICc.
しかし その 貧しい フィット の その モデル は そのような それ その 可能性 支配する
そして その 指数関数 モデル は その 2番 から その 最悪 として 測定された による その AICc.
もし あなた レビュー その 一般的な 導出
の その AIC で その バーナム そして アンダーソン 本、
あなたは 見る それ 何 その 実は 推定 は その 期待される 価値
の a 仮説的な テスト セット 可能性 のために a データ セット それ もっている その 同じ サイズ
そして 応答 構造、 しかし ない 価値観 として その トレーニング セット。
その 期待される 価値観 また 取る の中へ 考慮 その 変動性
で その 見積もり の その MLE。
I 探す これ クロスバリデーション 解釈 の その AIC
に なれ かわいい 説得力がある。
I 考える その また 重要 に ポイント 外 それ これ クロスバリデーション 導出
の その AIC する ない 仮定する で 全て それ 私たちは 持っている その 正しい モデル。
に 見せる それ これ クロスバリデーション 解釈 本当に 作品、
I 作成された a シミュレーション 式 使用して 一つの 平均 の その モデル 私は 表示されている
で その 前の スライド として 良い として いくつかの 他の もの。
これ 方法 私たちは 知っていた それ なし の その モデル だった 実は その 正しい 1つ。
I フィット それぞれ の その 4つ モデル に 新しい トレーニング データ a 千 回
そして セット それ 上 それで それ 仕事 だろう 報告 一つの 独立した ホールドアウト 可能性
使用して 別の 新しい データ セット。
I 保たれた それぞれ の その 4つ モデル 構造
そして 分布 無傷 そして した ない 適用する 変数 選択。
これ だった に 完璧に 模倣する その ちょうど クロスバリデーション 解釈
の その エーアイシー。
から そこには、 I 作成された a テーブル の シミュレーション
ホールドアウト 可能性 そして 計算された 彼らの 平均 のために それぞれ の その 4つ モデル。
これ は その AIC そして AICc まとめ テーブル から 前に、
と その シミュレーション- ベース 平均 ホールドアウト 対数尤度
追加した 以上 ここ に その 右、 あなた できる 見る それ その 満杯 普通 モデル
ホールドアウト 可能性 は とても 近い に その AICc 価値
そして それ その 2番- 注文 修正 学期 だった 不可欠 のために これ マッチ に 起こる。
の上 その 他の 手、
あなた 見る それ その シミュレーション 平均 指数関数 ホールドアウト 対数尤度
は また とても 近い に その AICc.
両方 その 普通 そして logN 通常の ホールドアウト 可能性 は 近い
に その オリジナル ログ 普通 モデルA ICc.
その 普通 ホールドアウト 可能性 は a 少し 小さくなります。
I 属性 これ に 平均化 a 束 の シミュレーション モデル、
作る その シミュレーション データ a 少し 少し もっと 通常 分散型
よりも その オリジナル データ だった。
そこには は a カップル 単純 ルール それ は 必要 に 作る AICc 比較
本当に 有効 間 違う モデル。
その ほとんど 重要 は それ その 確率論的 一部 の その データ
もっている に 滞在する その 同じ、 その 同じ 行 持っている に なれ 使用済み
そして それ は その Yの で 特定の それ しなければならない なれ その 同じ。
その Xの できる なれ 違う、 の コース、 平 もし 彼らは だった 元は ランダム、
ない のみ しなければならない その Yの なれ その 同じ、 しかし 彼らは できない なれ 変更された または 変身した。
その 変身 だろう 持っている に なれ 建てられた の中へ その モデル 適切に。
その AIC は また のみ 定義された
のために 行儀の良い 最大 可能性 推定者
そして 他の 密接に 関連している 方法。
これ 説明する なぜ あなた しない 見る AICc
のために ニューラル ネットワーク そして 他の 機械 学ぶ モデル。
また、 あなた 持っている に 保つ で 心 それ ただ なぜなら あなた 見つかった a モデル それ その AICc
言う は その 最高、 それ しない 平均 それ それ は a 良い モデル。
使用 あなたの 過去 経験 そして モデル 診断 プロット に 確保する
それ その モデル は 右 十分 に なれ 役に立つ。
戻る に その pDNA データ、 私たちは 見る 二 同等 モデル。
の上 その トップ、 私たちは 持っている a logN 通常の モデル
そして の上 その 底 私たちは 持っている a 普通 フィット に その ログ- 変身した 応答。
あなた できる 見る それ その 一般化された RS 正方形
は その 同じ のために これら 二 モデル、 しかし その AICcs は とても 違う。
これ は なぜなら その logN 通常の フィット
暗黙的に ビルド その 変身 の中へ その 可能性。
しかし その ログ 規模 普通 フィット する ない。
で これ 場合、 その 右 もの に 使用 は その logN 通常。
こちらは a 素早い デモンストレーション それ あなた 持っている に 決める その 分布
そして その 入力 変数 で その 同じ 時間。
ここ は シミュレーション データ から a えっと 東 タイプ モデル
二 グループ の 通常 分散型 データ と その 同じ 分散、
しかし 違う 手段。
もし あなた フィット 全て で その 分布 プラットフォーム、
それ 選択する その 普通 二 混合 と 一つの AICc の 1036.
これ は その 正しい 分布
もし あなた しない 知る その グループ 身元 の その 行。
一度 あなた 含む その グループ化 変数 けれど、
あなた 見る それ その 普通 来る 外 の上 トップ の 一つの AICc の 717 または それで。
私たちは また 試した その ワイブル 対数正規分布
そして ガンマ そして その 普通 まだ 来た 外 の上 トップ、 平 けれど それらの 分布
した より良い で 分布 それなし 含む その グループ化 変数。
あなたは 持っている に 試す 違う モデル 構造物
そして 分布 一緒に に 探す その 右 組み合わせ。
今 私は 行く に 変化 ギア そして 話す a 少し 少し について その ビック、
どれの は その 他の 主要 分析的な モデル 選択 基準 そして ジャンプ。
その BICは やる気のある で a 完全に 違う 方法
よりも その エーアイシー。
シュワルツ 使用済み a 大きい サンプル 口論 で a ベイズ コンテクスト に 近似
その ログ 確率 の その データ 後 持つ 統合された その モデル 外、
仮定 a フラット 前 の上 その パラメータ、 一つの 表現 似ている に その AIC ポップス 外
と a K ログ で タイプ ペナルティ 学期 それよりも よりも 二 回 け。
そこには だった また 他の 条項 で その 積分 それ は いつも 無視されます。
1つ は K ログ 2 円周率、 どれの だった 考慮された あまりにも 小さい
に 取引 と そして その 他の 1つ
は a 正規化された 分散 の その MLE、 どれの だろう また なれ の 注文K。
I しなかった 勉強 その AIC または BICで どれでも 深さ で 学校。
I ただ 覚えて 聴覚 その 控える AIC 過剰適合、
BICの フィット いくつかの 回 で 違う クラス、
どれの I 解釈された として a 強い 懐疑論 について 両方 の 彼ら。
比較する その AICc そして BICの罰金、 私たちは 見る それ その AICc 意思 防ぐ
大きい モデル から いる 選ばれた いつ その サンプル サイズ は 小さい、
一方 その ビック 意思 まだ 許可する 大きい モデル。
I 見る その K ログ そして 正規化 絶え間ない ペナルティ で その BICとして 幾分
少ない 説得力のある よりも その クロスバリデーション 解釈 の その AIC- タイプ 罰則。
何か それ リード
に a 限界的な 確率 の その データ は もっと 抽象的な に 自分 よりも 何か
それ は 直接 解釈可能な として a クロスバリデーション メトリック
服用 の中へ アカウント パラメータ 不確実性。
私は 完全に わかっている
それ 私は 論説 ここ、 しかし これ は 何ですか 働いた 良い
のために 自分 それで 遠い。
戻る に その p DNA エネルギー省 1つ もっと 時間。
ここ は その 同じ モデル フィット で その pDNA 例
使用して その BICファースト 選択 の上 トップ そして その AICc の上 その 底。
知らせ それ その BICの その 満杯 普通 モデル
は ない として 遠い 離れて から その 他の モデル として と その AICc.
その 最高 モデル 全体 として 評価 による その ビック は a 対数正規分布、
しかし と 13 パラメータ これ 時間 その周り それよりも よりも 九。
その フォワード 選択された BIC正常 モデル また もっている a カップル もっと パラメータ。
で 小さい サンプル、 逆に に その AIC 過剰適合、
BICの フィット、 その AICc できる 選ぶ 小さい モデル よりも その ビック で 小さい サンプル。
ここ 私たちは 見る その 効果 選ばれた による その BICと その AICc.
その セット の BIC選択 効果 は a スーパーセット の その もの 選ばれた
による その AICc.
A また 知らせ、 興味深いことに、 それ 全て 4つ 効果 ない 選ばれた
による その AICc は 統計的に BIC では重要です。
下 その ビック、 その pH2乗 学期 は 非常に 重要な、
しかし それ ない 現在 で その AICc モデル、 のために 例。
I だろう 言う それ 全て その 重要な 効果
すべき 持っている アスタリスク による 彼ら、
しかし 全て 重要な p値 持っている アスタリスク による 彼ら とJ 国会議員 レポート。
その代わり、 病気 ただ 言う それ I 取る p値 の 効果
後 選択 と a 粒 の 塩。
それでも その 二 モデル 選ぶ 違う 効果、
いくつかの の 彼ら 非常に 統計的に 重要な で その モデル。
もし 私たちは 見て で その プロフィール
または 変数 重要性 から これら 二 モデル、
彼らは 教えて a とても 似ている 話。
餌 レート は による 遠い その ほとんど 重要
そして 後 それ その 注文 は その 同じ 間 その 二 モデル。
pHのみ 影響 3% の その 変化 で その 応答 表面 下 その ビック
最高 モデル そして ない 含まれる で 全て で その AICc 最高 モデル。
これ は a とても クリア 例
の 統計的 意義 そして 実用的 関連性
いる 二 違う もの。
そこには は a 多く の 意見 外 そこには について その AICc そして その ビック。
のために 例、 バーナム そして アンダーソン
言う それ 両方 方法 は 一貫性のある のために その ほとんど- 真実 モデル として N 行く
に 無限。
しかし それから そこには その他 それ 言う
それ その BICは その のみ 1つ 一貫性のある のために その 真実。
バーナム そして アンダーソン 言う それ あなた できる セット 上 シミュレーション に 作る 1つ 見て 良い、
変化 その 方法 その セット 上 a 少し 少し そして それは フリップ その 結果。
バーナム そして アンダーソン、
誰が は について その ほとんど 頑固な AICc ファン 外 そこには で 彼らの シミュレーション、
見つかった それ その AICc 選択する 少ない 本当に 悪い モデル よりも その ビック。
I 考える その ない a 悪い アイデア に 見て で 両方 BICと AICc
後 適用する 変数 選択。
もし その 最高 モデル 下 両方 は かわいい 多くの その 同じ、 どれの は 頻繁 その 場合、
あなた できる 感じる かわいい 良い について どちらか の 彼ら、 もし 彼らは 違う
その 良い に 考える について その 理由 なぜ そして 使用 あなたの 主題 案件 専門知識
に ヘルプ 作る a 決断。
私の 最後 トピック は モデル 選択 基準 そして リニア 混合 モデル。
これ は a かわいい 複雑 状況、 特に なぜなら そこには ない コンセンサス
間 ソフトウェア ベンダー で どうやって に 計算する その モデル 選択 基準。
に 説明する これ、 I 作成された a スプリット プロット デザイン と 4つ 要因。
そこには は 二 全体 プロット 効果 そして 二 スプリット プロット 効果。
もし あなた 取る その 同じ データ そして フィット その 同じ モデル で ジャンプ プロ
そして SAS 使用して フィット 混合 そして プロセス 混合、
あなた 意思 見る それ その 可能性 そして モデル 選択 基準 しない マッチ、
しかし その 分散 推定値 する、 あなた 得る 違う 修理済み 効果
パラメータ 推定値、 しかし その 修理済み 効果 テスト 同意する。
1つ の その 理由 のために これ は それ ジャンプ そして SAS 修理済み 効果 デザイン 行列
使用 a 違う コーディング 戦略 のために カテゴリカル 効果。
の上 その 左 I 持っている その ジャンプ デザイン マトリックス のために その スプリット プロット 例、
そして の上 その 右 あなた 見る その SAS 1つ。
ジャンプ 作成する a 行 の マイナス もの
のために その 最後 レベル の カテゴリカル 効果 どれの は 見た で 青 ここ
一方 SAS 作成する a 行 の ゼロ。
どちらでもない 1つ の これら は 右 または 間違っている。
その のように 変化 ユニット または 変化 座標 システム。
ジャンプ カテゴリカル 効果 和 に ゼロ、 一方 SAS カテゴリカル 効果
できる なれ 解釈された として 違い から その 最後 レベル。
それでも その 生 パラメータ 推定値 異なる、
予測 意思 なれ その 同じ 間 その 二 コーディング なぜなら その モデル
は 根本的に 同等。
ほとんど もの それ 案件
しません なれ 違う 間 その 二 ソフトウェア 製品。
しかし、 REML、 方法 使用済み に 見積もり 混合 効果 モデル
もっている 一つの 曖昧さ で それ。
その ベース ガウス分布 可能性 で その トップ
意思 なれ その 同じ で どちらか ソフトウェア なぜなら その a 本物 可能性。
しかし その REML または 残留 可能性 報告された による プロセス 混合
そして ジャンプ プロの フィット 混合 ない a 本物 可能性。
もし それ だった a 本物 可能性、 それから 私たちは だろう 得る その 同じ 価値観
関係なく の どれの コーディング または ソフトウェア 私たちは 使用済み。
これ は なぜなら そこには 一つの 余分な ペナルティ 追加した に その ガウス分布 可能性
のために REML それ 減らす その バイアス の その 分散 見積もり。
しかし これ 依存する の上 その デザイン マトリックス
で a 方法 それ は センシティブ に その コーディング 使用済み。
ジャンプ 報告、 その 生 ガウス分布 可能性、 そして その AICc そして BICその それ レポート
は ベース の上 それ それよりも よりも その 残留 可能性。
その 番号 の パラメータ フィット 混合 カウント
は その 合計 含む 両方 修理済み 効果 そして 分散 パラメータ。
私たちは した それ これ 方法 に 作る それ それで それ あなた できる 使用 ジャンプ に 比較する モデル
と 違う 修理済み- 効果 構造物 として 良い として 分散 モデル。
で SAS、 彼らは のみ 報告 その 残留 またはREML 対数尤度
そして それ レポート モデル 選択 基準 ベース の上 それ。
あなた できる 見る ここ それ それ また のみ カウント 分散 パラメータ として 良い
なぜなら その 違い 間 その SAS 可能性
そして その AIC は のために 暗示する 二 パラメータ、
a 分散 成分 そして a 残留物。
全て これ 手段 は それ
あなた できる のみ pを使用する ロック 混合 のために 比較する 分散 モデル
と その AIC なぜなら その モデル 選択 基準
含まれるもの その REML ペナルティ そして その のみ 数える 分散 パラメータ。
と 全て 期限 尊敬、
I できる 考える の いくつかの 良い 理由 のために その SAS アプローチ、
そして そこには は おそらく いくつかの 他の 良い 理由 I しない 平 知る の。
しかし I 個人的に 好む その 柔軟性 与えられた による その ジャンプ アプローチ。
に 要約すると、 もし あなた 比較する 結果 横切って ソフトウェア
のために 非 混合 モデル、 その 平均 パラメータ 推定値 5月 異なる、
しかし さもないと すべて それ以外 すべき なれ その 同じ。
として 長さ として その ソフトウェア 計算する
その 定数 そして その 可能性 正しく として ジャンプ そうします。
いつ 私たちは 得る に ガウス分布 混合 モデル、
そこには は とても 重要 ソフトウェア 違い
そして その 範囲 の その 決定 あなた できる 作る について その モデル
使用して その ソフトウェア 5月 なれ とても 違う
依存する の上 その 詳細 の どうやって その 可能性 は 計算されました。
ジャンプ モデル 選択 基準
は 匹敵する 両方 内で その 同じ プラットフォーム
そして 横切って 他の モデリング プラットフォーム。
病気 近い と これ スライド、 どれの 与える 私の 基本的な 推奨事項
のために 適用する その ツール 議論した 今日。
仮説 テスト は a 道具 のために いつ あなた 必要 に 証明する 何か
そして は 最高 使用済み で 状況 いつ あなた 持っている a 良い アイデア
の その モデル 構造 で 前進。
いつ あなたは 働く の上 a 問題 で 業界 そして その サンプル サイズ は 小さい、
I だろう スティック に クラシック 統計的 モデル
そして 使用 その AICc として その 主要な 道具 のために 選択する 間 彼ら。
と 大きい データ セット、 いつ I 持っている 十分 データ に 所有 外
で 少しでも a 三番目 の その 観察、 I 使用 ホールドアウト クロスバリデーション に 比較する
クラシック 統計的 モデル として 良い として 機械 学ぶ モデル。
で 私の 自分の 仕事、 I 傾向がある に 避ける K- 折り畳み クロスバリデーション
そして その 分散。
その モデル 選択 基準 は 同等 に それ で 大きい サンプル、
そして I 傾向がある に スティック と よりシンプルに モデル と 小さい データ セットします。
I 知る それ ない みんな は 行く に 同意する と 自分 の上 これ、
しかし これ は 何 作品 のために 自分 そして は a かわいい 安全 方法
に アプローチ モデル 選択。
選択する その ほとんど 役に立つ モデル から a セット の 代替案 それ しなければならない 全て なれ 間違っている
の上 いくつかの レベル は 一つの 重要 決断、 そして これら は その 主要 考慮事項
I 持っている いつ 決定する その上 a モデル 選択 戦略。
感謝 あなた のために あなたの 注意 そして I 見て フォワード に 話している と あなた
で その 会う その 専門家 セッション。
