Khi nào bạn có thể suy luận về dân số? ✅ Chất
Thủ Thuật Hướng dẫn Khi nào bạn hoàn toàn có thể suy luận về dân số? Chi Tiết
Cao Ngọc đang tìm kiếm từ khóa Khi nào bạn hoàn toàn có thể suy luận về dân số? được Cập Nhật vào lúc : 2022-12-27 10:00:13 . Với phương châm chia sẻ Bí kíp Hướng dẫn trong nội dung bài viết một cách Chi Tiết Mới Nhất. Nếu sau khi Read nội dung bài viết vẫn ko hiểu thì hoàn toàn có thể lại phản hồi ở cuối bài để Mình lý giải và hướng dẫn lại nha.Suy luận thống kê là quá trình sử dụng phân tích tài liệu để suy ra những thuộc tính của phân phối xác suất cơ bản. Phân tích thống kê suy luận suy luận những thuộc tính của dân số, ví dụ bằng phương pháp kiểm tra những giả thuyết và đưa ra những ước tính. Giả định rằng tập tài liệu quan sát được lấy mẫu từ một quần thể to hơn
Nội dung chính Show- Giới thiệu[sửa]Các quy mô và giả định[sửa | sửa mã nguồn]Mức độ của những quy mô/giả định[sửa | sửa mã nguồn]Tầm quan trọng của những quy mô/giả định hợp lệ[sửa | sửa mã nguồn]Các quy mô nhờ vào ngẫu nhiên hóa[sửa | sửa mã nguồn]Các quy mô cho suy luận[sửa | sửa mã nguồn]Suy luận thường xuyên [ chỉnh sửa ]Suy luận Bayes [ chỉnh sửa ]Suy luận nhờ vào kĩ năng [ chỉnh sửa ]Suy luận nhờ vào AIC[sửa | sửa mã nguồn]Các quy mô khác để suy luận[sửa | sửa mã nguồn]Chủ đề suy luận[sửa]Suy luận Dự kiến [ chỉnh sửa ]Điều gì giúp đưa ra suy luận về dân số?Điều kiện suy luận về quần thể có ý nghĩa gì?Cần phải đáp ứng những điều kiện gì để suy luận?Chúng ta hoàn toàn có thể sử dụng số liệu thống kê suy luận với dân số không?
Thống kê suy luận hoàn toàn có thể được đối chiếu với thống kê mô tả. Thống kê mô tả chỉ liên quan đến những thuộc tính của tài liệu được quan sát và nó không nhờ vào giả định rằng tài liệu đến từ một dân số to hơn. Trong học máy, thuật ngữ suy luận đôi khi được sử dụng thay thế với nghĩa là "đưa ra Dự kiến, bằng phương pháp đánh giá một quy mô đã được đào tạo";
Giới thiệu[sửa]
Suy luận thống kê đưa ra những đề xuất về dân số, sử dụng tài liệu được rút ra từ dân số với một số trong những hình thức lấy mẫu. Đưa ra một giả thuyết về dân số mà tất cả chúng ta muốn rút ra những suy luận, suy luận thống kê gồm có (thứ nhất) chọn một quy mô thống kê của quy trình tạo tài liệu và (thứ hai) suy ra những mệnh đề từ quy mô
Konishi & Kitagawa tuyên bố, "Phần lớn những vấn đề trong suy luận thống kê hoàn toàn có thể được xem là những vấn đề liên quan đến quy mô thống kê". Liên quan, Ngài David Cox đã nói, "Làm thế nào [việc] dịch từ vấn đề chủ đề sang quy mô thống kê được thực hiện thường là phần quan trọng nhất của phân tích"
Kết luận của một suy luận thống kê là một mệnh đề thống kê. Một số dạng phổ biến của mệnh đề thống kê như sau
Các quy mô và giả định[sửa | sửa mã nguồn]
Bất kỳ suy luận thống kê nào thì cũng cần phải một số trong những giả định. Một quy mô thống kê là một tập hợp những giả định liên quan đến việc tạo tài liệu được quan sát và tài liệu tương tự. Mô tả những quy mô thống kê thường nhấn mạnh vấn đề vai trò của đại lượng dân số quan tâm mà tất cả chúng ta muốn rút ra kết luận. Thống kê mô tả thường được sử dụng như một bước sơ bộ trước khi rút ra những suy luận chính thức hơn
Mức độ của những quy mô/giả định[sửa | sửa mã nguồn]
Các nhà thống kê phân biệt giữa ba Lever giả định của quy mô;
- đầy đủ tham số. Các phân phối xác suất mô tả quá trình tạo tài liệu được giả định là được mô tả đầy đủ bởi một họ những phân phối xác suất chỉ liên quan đến một số trong những hữu hạn những tham số chưa chắc như đinh. Ví dụ: người ta hoàn toàn có thể nhận định rằng phân phối giá trị dân số thực sự là Bình thường, với giá trị trung bình và phương sai không xác định và bộ tài liệu đó được tạo bằng phương pháp lấy mẫu ngẫu nhiên 'đơn giản'. Họ của là một lớp quy mô tham số được sử dụng rộng rãi và linh hoạtCác giả định được đưa ra về quy trình tạo tài liệu ít hơn nhiều so với thống kê tham số và hoàn toàn có thể là tối thiểu. Ví dụ: mọi phân phối xác suất liên tục đều có trung vị, hoàn toàn có thể được ước tính bằng trung vị mẫu hoặc công cụ ước lượng Hodges–Lehmann–Sen, có những đặc tính tốt khi tài liệu phát sinh từ lấy mẫu ngẫu nhiên đơn giảnbán tham số. Thuật ngữ này thường ý niệm những giả định 'ở giữa' những phương pháp tiếp cận đầy đủ và phi tham số. Ví dụ, người ta hoàn toàn có thể giả định rằng phân bố dân số có mức giá trị trung bình hữu hạn. Hơn nữa, người ta hoàn toàn có thể giả định rằng mức phản hồi trung bình trong dân số phụ thuộc một cách thực sự tuyến tính vào một số trong những đồng biến (một giả định tham số) nhưng không đưa ra bất kỳ giả định tham số nào mô tả phương sai xung quanh giá trị trung bình đó (i. e. về sự hiện hữu hoặc dạng hoàn toàn có thể có của bất kỳ phương sai thay đổi nào). Tổng quát hơn, những quy mô bán tham số thường hoàn toàn có thể được tách thành những thành phần 'cấu trúc' và 'biến thể ngẫu nhiên'. Một thành phần được xử lý theo tham số và thành phần khác không theo tham số. Mô hình Cox nổi tiếng là một tập hợp những giả định bán tham số
Tầm quan trọng của những quy mô/giả định hợp lệ[sửa | sửa mã nguồn]
Hình ảnh trên đã cho tất cả chúng ta biết biểu đồ đánh giá giả định về tính quy phạm, hoàn toàn có thể được minh họa thông qua mức chênh lệch đều phía dưới đường cong hình chuông
Bất kể mức độ giả định nào được đưa ra, suy luận được hiệu chỉnh đúng chuẩn, nói chung, đòi hỏi những giả định này phải đúng; . e. rằng những cơ sản xuất tài liệu thực sự đã được chỉ định đúng chuẩn
Các giả định sai về lấy mẫu ngẫu nhiên 'đơn giản' hoàn toàn có thể làm mất đi hiệu lực hiện hành suy luận thống kê. Các giả định bán tham số và đầy đủ phức tạp hơn cũng là nguyên nhân gây lo ngại. Ví dụ: giả định sai quy mô Cox trong một số trong những trường hợp hoàn toàn có thể dẫn đến kết luận sai. Các giả định không đúng chuẩn về Tính thông thường trong dân số cũng làm mất đi hiệu lực hiện hành một số trong những hình thức suy luận nhờ vào hồi quy. Hầu hết những Chuyên Viên trong việc lấy mẫu quần thể người đều không tin việc sử dụng bất kỳ quy mô tham số nào. "hầu hết những nhà thống kê lấy mẫu, khi họ xử lý những khoảng chừng tin cậy, đều số lượng giới hạn bản thân trong những tuyên bố về [công cụ ước tính] nhờ vào bộ sưu tập rất lớn, trong đó định lý số lượng giới hạn trung tâm đảm nói rằng [các công cụ ước tính] này sẽ có phân phối gần như thể thông thường. " Đặc biệt, một phân phối thông thường "sẽ là một giả định hoàn toàn không thực tế và không khôn ngoan một cách thảm khốc nếu tất cả chúng ta đang đối phó với bất kỳ loại dân số kinh tế tài chính nào. " Ở đây, định lý số lượng giới hạn trung tâm phát biểu rằng phân phối của mẫu nghĩa là "đối với bộ sưu tập rất lớn" được phân phối xấp xỉ chuẩn, nếu phân phối không còn đuôi nặng
Phân phối gần đúng [ chỉnh sửa ]Do trở ngại vất vả trong việc chỉ định phân phối đúng chuẩn của thống kê mẫu, nhiều phương pháp đã được phát triển để tính gần đúng những phân phối này.
Với bộ sưu tập hữu hạn, kết quả gần đúng đo lường mức độ gần của phân phối số lượng giới hạn với phân phối mẫu của thống kê. Ví dụ: với 10.000 mẫu độc lập, phân phối chuẩn xấp xỉ (độ đúng chuẩn đến hai chữ số) phân phối của giá trị trung bình mẫu cho nhiều phân phối tổng thể, theo định lý Berry–Esseen. Tuy nhiên, đối với nhiều mục tiêu thực tế, phép tính gần đúng thông thường đáp ứng một phép tính gần đúng tốt cho phân phối trung bình mẫu khi có 10 (hoặc nhiều hơn nữa) mẫu độc lập, theo những nghiên cứu và phân tích mô phỏng và kinh nghiệm tay nghề của những nhà thống kê. Sau khu công trình xây dựng của Kolmogorov vào trong năm 1950, thống kê nâng cao sử dụng lý thuyết xấp xỉ và phân tích hàm để định lượng sai số của phép xấp xỉ. Theo cách tiếp cận này, hình học số liệu của phân phối xác suất được nghiên cứu và phân tích;
Với bộ sưu tập lớn vô hạn, những kết quả số lượng giới hạn như định lý số lượng giới hạn trung tâm mô tả phân phối số lượng giới hạn của thống kê mẫu nếu tồn tại. Kết quả số lượng giới hạn không phải là phát biểu về bộ sưu tập hữu hạn và thực sự không liên quan đến bộ sưu tập hữu hạn. Tuy nhiên, lý thuyết tiệm cận của phân phối số lượng giới hạn thường được sử dụng để thao tác với bộ sưu tập hữu hạn. Ví dụ, những kết quả số lượng giới hạn thường được viện dẫn để biện minh cho phương pháp mômen tổng quát và việc sử dụng những phương trình ước lượng tổng quát, vốn phổ biến trong kinh tế tài chính lượng và thống kê sinh học. Độ lớn của sự việc khác lạ giữa phân phối số lượng giới hạn và phân phối thực (chính thức là 'lỗi' của phép tính gần đúng) hoàn toàn có thể được đánh giá bằng phương pháp sử dụng mô phỏng. Ứng dụng heuristic của việc số lượng giới hạn kết quả đối với bộ sưu tập hữu hạn là thông lệ phổ biến trong nhiều ứng dụng, đặc biệt là với những quy mô ít chiều hoàn toàn có thể log-lõm (ví dụ như với những họ hàm mũ một tham số)
Các quy mô nhờ vào ngẫu nhiên hóa[sửa | sửa mã nguồn]
Đối với một tập tài liệu nhất định được tạo ra bởi một thiết kế ngẫu nhiên, phân phối ngẫu nhiên của một thống kê (theo giả thuyết không) được xác định bằng phương pháp đánh giá thống kê thử nghiệm cho tất cả những kế hoạch hoàn toàn có thể được tạo bởi thiết kế ngẫu nhiên. Trong suy luận thường xuyên, ngẫu nhiên hóa được cho phép suy luận nhờ vào phân phối ngẫu nhiên thay vì quy mô chủ quan và điều này đặc biệt quan trọng trong lấy mẫu khảo sát và thiết kế thí nghiệm. Suy luận thống kê từ những nghiên cứu và phân tích ngẫu nhiên cũng đơn giản hơn nhiều tình huống khác. Trong suy luận Bayes, ngẫu nhiên hóa cũng luôn có thể có tầm quan trọng. trong chọn mẫu điều tra, sử dụng lấy mẫu không thay thế đảm bảo tính trao đổi của mẫu với tổng thể;
Ngẫu nhiên khách quan được cho phép những quy trình quy nạp hợp lý. Nhiều nhà thống kê thích phân tích tài liệu nhờ vào ngẫu nhiên được tạo ra bởi những thủ tục ngẫu nhiên được xác định rõ. (Tuy nhiên, đúng là trong những nghành khoa học với kiến thức lý thuyết phát triển và trấn áp thực nghiệm, những thí nghiệm ngẫu nhiên hoàn toàn có thể làm tăng ngân sách thí nghiệm mà không cải tổ chất lượng của những suy luận. ) Tương tự như vậy, những kết quả từ những thí nghiệm ngẫu nhiên được những đơn vị thống kê số 1 khuyến nghị là được cho phép suy luận với độ tin cậy cao hơn so với những nghiên cứu và phân tích quan sát về cùng một hiện tượng kỳ lạ. Tuy nhiên, một nghiên cứu và phân tích quan sát tốt hoàn toàn có thể tốt hơn một thử nghiệm ngẫu nhiên tồi
Phân tích thống kê của một thí nghiệm ngẫu nhiên hoàn toàn có thể nhờ vào sơ đồ ngẫu nhiên được nêu trong đề cương thí nghiệm và không cần quy mô chủ quan
Tuy nhiên, tại bất kỳ thời điểm nào, một số trong những giả thuyết không thể được kiểm tra bằng những quy mô thống kê khách quan, mô tả đúng chuẩn những thí nghiệm ngẫu nhiên hoặc mẫu ngẫu nhiên. Trong một số trong những trường hợp, những nghiên cứu và phân tích ngẫu nhiên như vậy là phi kinh tế tài chính hoặc phi đạo đức
Phân tích nhờ vào quy mô của những thí nghiệm ngẫu nhiên[sửa | sửa mã nguồn]Đó là thông lệ tiêu chuẩn để tham khảo một quy mô thống kê, e. g. , một quy mô tuyến tính hoặc logistic, khi phân tích tài liệu từ những thí nghiệm ngẫu nhiên. Tuy nhiên, sơ đồ ngẫu nhiên hướng dẫn lựa chọn quy mô thống kê. Không thể chọn một quy mô phù hợp nếu không biết sơ đồ ngẫu nhiên. Kết quả sai lệch nghiêm trọng hoàn toàn có thể thu được khi phân tích tài liệu từ những thí nghiệm ngẫu nhiên trong khi bỏ qua giao thức thử nghiệm;
Suy luận ngẫu nhiên không còn quy mô[sửa | sửa mã nguồn]Các kỹ thuật không còn quy mô đáp ứng sự tương hỗ update cho những phương pháp nhờ vào quy mô, sử dụng những kế hoạch đơn giản hóa thực tế theo chủ nghĩa giản lược. Các thuật toán phối hợp, phát triển, tập hợp và đào tạo trước đây linh hoạt thích ứng với những quan hệ theo ngữ cảnh của một quy trình và tìm hiểu những đặc điểm nội tại của những quan sát
Ví dụ: hồi quy tuyến tính đơn giản không còn quy mô nhờ vào
- một thiết kế ngẫu nhiên, trong đó những cặp quan sát (X1,Y1),(X2,Y2),⋯,(Xn,Yn){displaystyle (X_1,Y_1),(X_ are independent and identically distributed (iid), orthiết kế xác định, trong đó những biến X1,X2,⋯,Xndisplaystyle X_1,X_2,cdots ,X_n là . e. , P(Yj≤y. Xj=x)=Dx(y)displaystyle Pleft(Y_jleq y. X_j=xright)=D_x(y) are random and independent with a common conditional distribution, i.e., P(Yj≤y|Xj=x)=Dx(y)displaystyle Pleft(Y_jleq y, độc lập với chỉ mục jdisplaystyle j.
Trong cả hai trường hợp, suy luận ngẫu nhiên phi quy mô cho những đặc điểm của phân phối có điều kiện phổ biến Dx(. )displaystyle D_x(. ) nhờ vào một số trong những điều kiện thường xuyên, e. g. hiệu suất cao trơn tru. Chẳng hạn, suy luận ngẫu nhiên không còn quy mô cho dân số nghĩa là có điều kiện, μ(x)=E(Y. X=x)displaystyle mu (x)=E(Y. X=x), hoàn toàn có thể được ước tính một cách nhất quán thông qua tính trung bình cục bộ hoặc khớp đa thức cục bộ, với giả định rằng μ(x)displaystyle mu (x) is smooth. Also, relying on asymptotic normality or resampling, we can construct confidence intervals for the population feature, in this case, the conditional mean, μ(x)displaystyle mu (x).
Các quy mô cho suy luận[sửa | sửa mã nguồn]
Các trường suy luận thống kê rất khác nhau đã được thành lập. Các trường phái này—hay những "khuôn mẫu"—không loại trừ lẫn nhau, và những phương pháp hoạt động và sinh hoạt giải trí tốt dưới một khung mẫu này thường có những diễn giải mê hoặc dưới những khung mẫu khác
Bandyopadhyay & Forster mô tả bốn khung mẫu. Mô hình cổ xưa (hoặc thường xuyên), quy mô Bayes, quy mô hợp lý và quy mô nhờ vào tiêu chí thông tin Akaikean
Suy luận thường xuyên [ chỉnh sửa ]
Mô hình này hiệu chỉnh tính hợp lý của những đề xuất bằng phương pháp xem xét lấy mẫu lặp lại (theo lý thuyết) của phân bố dân số để tạo ra những bộ tài liệu tương tự như bộ tài liệu hiện có. Bằng cách xem xét những đặc điểm của tập tài liệu trong quá trình lấy mẫu lặp lại, những thuộc tính thường xuyên của một mệnh đề thống kê hoàn toàn có thể được định lượng—tuy nhiên trong thực tế, việc định lượng này hoàn toàn có thể trở ngại vất vả
Ví dụ về suy luận thường xuyên [ chỉnh sửa ]Suy luận thường xuyên, tính khách quan và lý thuyết quyết định[sửa | sửa mã nguồn]Một cách lý giải về suy luận thường xuyên (hoặc suy luận cổ xưa) là nó chỉ được áp dụng theo xác suất tần suất; . Tuy nhiên, cách tiếp cận của Neyman phát triển những quy trình này về mặt xác suất trước thí nghiệm. Nghĩa là, trước khi tiến hành một thí nghiệm, người ta quyết định một quy tắc để đi đến một kết luận sao cho xác suất đúng được trấn áp một cách phù hợp. xác suất như vậy tránh việc phải có một diễn giải lấy mẫu thường xuyên hoặc lặp đi lặp lại. trái lại, suy luận Bayes hoạt động và sinh hoạt giải trí theo xác suất có điều kiện (i. e. xác suất có điều kiện nhờ vào tài liệu được quan sát), so với xác suất cận biên (nhưng có điều kiện nhờ vào những tham số chưa chắc như đinh) được sử dụng trong phương pháp tiếp cận thường xuyên
Các thủ tục phổ biến của kiểm tra ý nghĩa và khoảng chừng tin cậy hoàn toàn có thể được xây dựng mà không cần quan tâm đến những hiệu suất cao tiện ích. Tuy nhiên, một số trong những yếu tố của thống kê thường xuyên, ví dụ như lý thuyết quyết định thống kê, có phối hợp những hàm tiện ích. [cần dẫn nguồn] Đặc biệt, sự phát triển thường xuyên của suy luận tối ưu (ví dụ như những công cụ ước tính không thiên vị phương sai tối thiểu hoặc thử nghiệm mạnh nhất thống nhất) sử dụng những hàm mất mát, đóng vai trò của những hàm tiện ích (âm). Các hàm mất mát tránh việc phải được phát biểu rõ ràng để những nhà lý thuyết thống kê chứng tỏ rằng một thủ tục thống kê có tính chất tối ưu. Tuy nhiên, những hàm mất mát thường hữu ích để nêu những thuộc tính tối ưu. ví dụ, những công cụ ước lượng trung bình không chệch là tối ưu trong những hàm mất giá trị tuyệt đối, trong đó chúng giảm thiểu tổn thất dự kiến và những công cụ ước tính bình phương nhỏ nhất là tối ưu trong những hàm mất lỗi bình phương, trong đó chúng giảm thiểu tổn thất dự kiến
Trong khi những nhà thống kê sử dụng suy luận thường xuyên phải chọn cho mình những tham số quan tâm và những ước tính/được sử dụng, thì việc không còn những tiện ích rõ ràng rõ ràng và những phân phối trước đã giúp những thủ tục thường xuyên được xem rộng rãi là 'tiềm năng'
Suy luận Bayes [ chỉnh sửa ]
Phép tính Bayes mô tả mức độ niềm tin bằng phương pháp sử dụng 'ngôn từ' của xác suất; . Suy luận Bayes sử dụng niềm tin hậu nghiệm có sẵn làm cơ sở để đưa ra những mệnh đề thống kê. Có để sử dụng phương pháp Bayesian
Ví dụ về suy luận Bayesian[sửa | sửa mã nguồn]Suy luận Bayesian, tính chủ quan và lý thuyết quyết định[sửa | sửa mã nguồn]Nhiều suy luận Bayesian không chính thức nhờ vào những tóm tắt "hợp lý theo trực giác" của. Ví dụ: trung bình sau, trung vị và chính sách, khoảng chừng tỷ lệ sau cao nhất và Hệ số Bayes đều hoàn toàn có thể được thúc đẩy theo cách này. Mặc dù hiệu suất cao tiện ích của người tiêu dùng tránh việc phải được nêu cho loại suy luận này, nhưng tất cả những bản tóm tắt này đều phụ thuộc (ở một mức độ nào đó) vào niềm tin đã nêu trước đó và thường được xem là kết luận chủ quan. (Các phương pháp xây dựng trước đây không yêu cầu đầu vào bên phía ngoài đã được phát triển nhưng chưa hoàn thiện. )
Chính thức, suy luận Bayes được hiệu chỉnh với tham chiếu đến một tiện ích được nêu rõ ràng hoặc hàm mất mát; . Do đó, suy luận Bayes chính thức tự động đáp ứng những quyết định tối ưu theo nghĩa lý thuyết quyết định. Đưa ra những giả định, tài liệu và tiện ích, suy luận Bayes hoàn toàn có thể được thực hiện cho bất kỳ vấn đề nào về cơ bản, tuy nhiên không phải mọi suy luận thống kê đều cần diễn giải Bayes. Các phân tích không chính thức là Bayesian hoàn toàn có thể không mạch lạc (về mặt logic); . e. những cái hoàn toàn có thể tích hợp thành một) là chúng được đảm bảo mạch lạc. Một số người ủng hộ suy luận Bayes xác định rằng suy luận phải ra mắt trong khuôn khổ lý thuyết quyết định này và suy luận Bayes tránh việc kết thúc bằng việc đánh giá và tóm tắt những niềm tin hậu nghiệm.
Suy luận nhờ vào kĩ năng [ chỉnh sửa ]
Likelihoodism tiếp cận thống kê bằng phương pháp sử dụng hàm xác suất. Một số người theo thuyết kĩ năng từ chối suy luận, coi số liệu thống kê chỉ là tương hỗ tính toán từ dẫn chứng. Tuy nhiên, những người dân khác đề xuất suy luận nhờ vào hàm kĩ năng, trong đó nổi tiếng nhất là ước tính kĩ năng tối đa
Suy luận nhờ vào AIC[sửa | sửa mã nguồn]
Tiêu chí thông tin Akaike (AIC) là công cụ ước tính chất lượng tương đối của những quy mô thống kê cho một tập hợp tài liệu nhất định. Đưa ra một tập hợp những quy mô cho tài liệu, AIC ước tính chất lượng của từng quy mô, so với từng quy mô khác. Do đó, AIC đáp ứng một phương tiện để lựa chọn quy mô
AIC được thành lập trên lý thuyết thông tin. nó đưa ra ước tính về thông tin tương đối bị mất khi một quy mô nhất định được sử dụng để màn biểu diễn quá trình tạo ra tài liệu. (Khi làm như vậy, nó xử lý sự đánh đổi giữa mức độ phù hợp tốt của quy mô và tính đơn giản của quy mô. )
Các quy mô khác để suy luận[sửa | sửa mã nguồn]
Độ dài mô tả tối thiểu[sửa]Nguyên tắc độ dài mô tả tối thiểu (MDL) đã được phát triển từ những ý tưởng trong lý thuyết thông tin và lý thuyết về độ phức tạp Kolmogorov. Nguyên tắc (MDL) chọn những quy mô thống kê nén tài liệu tối đa;
Tuy nhiên, nếu một "cơ sản xuất tài liệu" tồn tại trong thực tế, thì theo định lý mã hóa nguồn của Shannon, nó đáp ứng mô tả MDL của tài liệu, trung bình và tiệm cận. Trong việc giảm thiểu độ dài mô tả (hoặc độ phức tạp mô tả), ước tính MDL tương tự như ước tính kĩ năng tối đa và ước tính hậu nghiệm tối đa (sử dụng tiên nghiệm Bayesian entropy cực lớn). Tuy nhiên, MDL tránh giả định rằng quy mô xác suất cơ bản đã được biết; . g. tài liệu phát sinh từ lấy mẫu độc lập
Nguyên tắc MDL đã được áp dụng trong lý thuyết mã hóa tiếp xúc trong lý thuyết thông tin, trong hồi quy tuyến tính và trong khai thác tài liệu
Việc đánh giá những thủ tục suy luận nhờ vào MDL thường sử dụng những kỹ thuật hoặc tiêu chí từ lý thuyết độ phức tạp tính toán
Suy luận chính thức [ chỉnh sửa ]Suy luận ủy thác là một cách tiếp cận suy luận thống kê nhờ vào xác suất ủy thác, còn được gọi là "phân phối ủy thác". Trong việc làm tiếp theo, cách tiếp cận này được gọi là không rõ ràng, cực kỳ hạn chế về kĩ năng áp dụng và thậm chí là ngụy biện. Tuy nhiên, lập luận này cũng như lập luận đã cho tất cả chúng ta biết cái gọi là phân phối tin cậy không phải là phân phối xác suất hợp lệ và vì điều này sẽ không làm mất đi hiệu lực hiện hành của việc áp dụng khoảng chừng tin cậy, nên nó không nhất thiết làm mất đi hiệu lực hiện hành những kết luận rút ra từ những lập luận tin cậy. Một nỗ lực đã được thực hiện để diễn giải lại khu công trình xây dựng ban đầu về lập luận đáng tin cậy của Fisher như một trường hợp đặc biệt của lý thuyết suy luận sử dụng xác suất trên và xác suất dưới
Suy luận cấu trúc [ chỉnh sửa ]Phát triển ý tưởng của Fisher và Pitman từ 1938 đến 1939, George A. Barnard đã phát triển "suy luận cấu trúc" hoặc "suy luận trục", một cách tiếp cận sử dụng xác suất không bao giờ thay đổi trên những họ nhóm. Barnard đã định dạng lại những lập luận đằng sau suy luận ủy thác về một loại quy mô hạn chế mà những thủ tục "ủy thác" sẽ được xác định rõ ràng và hữu ích. Donald A. S. Fraser đã phát triển một lý thuyết chung cho suy luận cấu trúc nhờ vào lý thuyết nhóm và áp dụng lý thuyết này cho những quy mô tuyến tính. Lý thuyết do Fraser xây dựng có link ngặt nghèo với lý thuyết quyết định và thống kê Bayes và hoàn toàn có thể đáp ứng những quy tắc quyết định phổ biến tối ưu nếu chúng tồn tại
Chủ đề suy luận[sửa]
Các chủ đề dưới đây thường được gồm có trong nghành suy luận thống kê
Suy luận Dự kiến [ chỉnh sửa ]
Suy luận Dự kiến là một cách tiếp cận suy luận thống kê nhấn mạnh vấn đề Dự kiến về những quan sát trong tương lai nhờ vào những quan sát trong quá khứ
Ban đầu, suy luận Dự kiến nhờ vào những tham số hoàn toàn có thể quan sát được và đó là mục tiêu chính của việc nghiên cứu và phân tích xác suất,[cần dẫn nguồn] nhưng nó không hề được ưa chuộng vào thế kỷ 20 do cách tiếp cận tham số mới do Bruno de Finetti tiên phong. Cách tiếp cận quy mô hóa những hiện tượng kỳ lạ như một khối mạng lưới hệ thống vật lý được quan sát với lỗi (e. g. , Cơ học thiên thể). Ý tưởng về kĩ năng trao đổi của De Finetti - rằng những quan sát trong tương lai sẽ hành xử in như những quan sát trong quá khứ - đã thu hút sự để ý quan tâm của thế giới nói tiếng Anh với bản dịch năm 1974 từ tiếng Pháp của bài báo năm 1937 của ông, và từ đó đã được những nhà thống kê như Seymour Geisser đề xuất.
Điều gì giúp đưa ra suy luận về dân số?
Thống kê suy luận là một cách đưa ra suy luận về tổng thể nhờ vào bộ sưu tập.Điều kiện suy luận về quần thể có ý nghĩa gì?
Các điều kiện tất cả chúng ta cần để suy luận về một giá trị trung bình là. Ngẫu nhiên. Một mẫu ngẫu nhiên hoặc thí nghiệm ngẫu nhiên nên được sử dụng để thu thập tài liệu. Bình thường. Phân phối lấy mẫu của x ˉ bar x xˉx, với bar, ở trên cùng (giá trị trung bình của mẫu) nên phải xấp xỉ thông thườngCần phải đáp ứng những điều kiện gì để suy luận?
Các điều kiện tất cả chúng ta cần để suy luận về một tỷ lệ là. Ngẫu nhiên. Dữ liệu cần đến từ một mẫu ngẫu nhiên hoặc thử nghiệm ngẫu nhiên. Bình thường. Phân phối lấy mẫu của p^p, with, hat, on top cần xấp xỉ thông thường — cần ít nhất 10 lần thành công dự kiến và 10 lần thất bại dự kiếnChúng ta hoàn toàn có thể sử dụng số liệu thống kê suy luận với dân số không?
Khi bạn đã thu thập tài liệu từ một mẫu, bạn hoàn toàn có thể sử dụng thống kê suy luận để hiểu dân số to hơn mà mẫu được lấy . Thống kê suy luận có hai hiệu suất cao chính. đưa ra ước tính về dân số (ví dụ: điểm SAT trung bình của tất cả học viên lớp 11 ở Hoa Kỳ). Tải thêm tài liệu liên quan đến nội dung bài viết Khi nào bạn hoàn toàn có thể suy luận về dân số?