作者查詢 / ADORIAN
作者 ADORIAN 在 PTT [ Statistics ] 看板的留言(推文), 共278則
限定看板:Statistics
看板排序:
3F→:Jensen's inequality12/23 01:14
10F→:這不是 "解法", 是 "看法". 我也不曉得 "基本原理" 是什麼11/09 11:08
11F→:但你的看法很有趣, 尤其是在 10:34 那兩行, 或者你有個清11/09 11:08
12F→:楚的例子支持你的看法11/09 11:09
13F→: ?11/09 11:09
14F→:我想到了, 的確要找個極端的例子支持 10:34 是可能的11/09 11:16
15F→:我的看法也只是對普遍現象找個比較合理的解釋, 並不是一定11/09 11:18
16F→:要套用這個規則11/09 11:19
23F→:你說的是對的. 但這不是證明, 我來修個文補充你的意思11/09 11:37
27F→:不, 你的說明也是個想法, 補全我想的不周. 多謝.11/09 11:52
21F→:b大不是建議要考量drop A and AXB的Type I error, 而是說10/05 13:02
22F→:一個 procedure 分兩步來做就會影響 overall Type I error10/05 13:03
23F→:b大建議要坦白交代最終 model 的決定過程, 以免被認為10/05 13:04
24F→:type one error 已經被控制妥善了10/05 13:05
25F→:(也就是b大字句中作弊的意思)10/05 13:07
28F→:第一步: 找出 A B AXB 哪個 covraite 是重要的, 結果是 B10/05 13:19
29F→:第二步: 在B是重要的前提下, 去控制 B 兩兩比較的 type 110/05 13:20
30F→:如果沒有直接做第二步, 用 .005 是 OK 的, overall type 110/05 13:22
31F→:的確不會超過 0.05。但在分兩步下, 第一步也犯了 type 110/05 13:23
32F→:error。10/05 13:25
33F→:考量drop A and AXB的Type I error 應該不是個簡單的問題10/05 13:25
34F→:所以建議告之model決定的過程.10/05 13:26
50F→:如果是要看 overall type 1 error, 不顯著的應該也不能跳10/05 14:39
51F→:過。其實我不確定我講的這樣是不是完全正確,再等b大回應。10/05 14:40
52F→:更正: "如果沒有直接做第二步" 改成 "如果只有第二步"10/05 15:00
84F→:但我還是隱約的看到c大有個觀與我不一樣, c大認為(以原po)10/06 14:36
85F→: 念10/06 14:36
86F→:的例子為例)第一步的模型(A B)作為研究最終模型, 在將B控10/06 14:39
87F→:制在type one error 是0.005這樣就是control住overall10/06 14:40
88F→:type 1 error 是嗎?10/06 14:40
94F→:那我會錯意了 XD10/07 12:24
8F推:太有心了! 讚!04/07 19:38
4F→:沒錯啊, 各位沒看清楚 X~Bin(n,p), Var(X-mu) = np(1-p)11/22 20:49
44F→:b 大是說放心使用 Fisher's exact test09/01 19:38
1F→:雖然不清楚你的用途, 如果你的目的是在建立一個類似08/27 10:25
2F→:p-value 的 index 的話, 那拿 model error 來比較大小可能08/27 10:26
3F→:沒有太大的意義08/27 10:26
5F→:以下 xi 的 p-value 稱為 pi, model errer 稱為 p, 舉例:08/28 16:35
6F→:p1=.051, p2=.051, p3=.0001, => p=.0994890608/28 16:35
7F→:p1=.04 , p2=.04 , p3=.03 , => p=.10604808/28 16:35
8F→:很難講這兩個 p 值哪一個比較好, 因為 p 值無法代表 y 被08/28 16:36
9F→: x1 x2 x3 共同解釋的程度08/28 16:36
6F→:priority : 高微 + 線代 > 機率論 >>> 統計導論08/24 14:36
7F→:研究所再修機率論與數理統計. 這四科修得好以後, 要學其它08/24 14:38
8F→:的統計方法只要找本好書就可以了08/24 14:38
9F→:(四科指 高微 + 線代 + 機率論 + 數統)08/24 14:40
1F→:很難找到一個 model selection 的方法, 其結果可以符合各08/20 07:46
2F→:個 criteria (你所提的流程).08/20 07:47
3F→:如果有的話, 我個人認為這應該不是個統計方法, 反而像是08/20 07:48
4F→:在求一組最佳的解 (比較像是在做 data mining)08/20 07:49
5F→:這樣一來, 你所謂的 test 能不能過也不是很重要, 畢竟你要08/20 07:50
6F→:的是最佳解, 不是個統計問題.08/20 07:51
8F→:如果你的 likelihood 中參數部份是代入 MLE, 那這個結論是08/17 15:36
9F→:很直覺的。因為 exponenital 分配是 gamma 分配中參數08/17 15:37
10F→:alpha 為 1 的情況, 自然在求 exponential 的 MLE 時,08/17 15:39
11F→:可視為參數空間被加以限制 (相對於 gamma 的參數空間而言)08/17 15:40
12F→:所以 gamma 的 likelihood 值 (參數代 MLE) 會比較大08/17 15:40