Мешающий параметр - Nuisance parameter

В статистика, а неприятный параметр есть ли параметр который не представляет непосредственного интереса, но который необходимо учитывать при анализе тех параметров, которые представляют интерес. Классическим примером мешающего параметра является отклонение, σ2, из нормальное распределение, когда иметь в виду, μ, представляет первостепенный интерес.[нужна цитата ] Другим примером может быть линейная регрессия с неопределенностью в исследовательской переменной, тогда независимая переменная может рассматриваться как мешающий параметр, который необходимо устранить, чтобы получить точную оценку наклона. Видеть регрессионное разбавление.

Мешающие параметры часто являются отклонениями, но не всегда; например в модели ошибок в переменных, неизвестное истинное местоположение каждого наблюдения является неприятным параметром. В общем, любой параметр, который мешает анализу другого, может считаться мешающим параметром. Параметр также может перестать быть «помехой», если он становится объектом исследования, как это может быть дисперсия распределения.

Теоретическая статистика

Общая трактовка мешающих параметров может быть в целом схожей в частотном и байесовском подходах к теоретической статистике. Он полагается на попытку разделить функция правдоподобия на компоненты, представляющие информацию об интересующих параметрах и информацию о других (мешающих) параметрах. Это может включать идеи о достаточная статистика и вспомогательная статистика. Когда это разделение может быть достигнуто, можно будет завершить байесовский анализ для интересующих параметров, определив их совместное апостериорное распределение алгебраически. Раздел позволяет частотной теории разработать общие подходы к оценке при наличии мешающих параметров. Если разделение не может быть достигнуто, можно использовать приблизительное разделение.

В некоторых особых случаях можно сформулировать методы, позволяющие обойти наличие мешающих параметров. В t-тест представляет собой практически полезный тест, поскольку статистика теста не зависит от неизвестной дисперсии. Это случай, когда можно использовать основное количество. Однако в других случаях такой обход не известен.

Практическая статистика

Практические подходы к статистическому анализу несколько по-разному трактуют мешающие параметры в частотной и байесовской методологиях.

Общий подход в частотном анализе может быть основан на максимальном тесты отношения правдоподобия. Они обеспечивают как тесты значимости и доверительные интервалы для интересующих параметров, которые приблизительно действительны для средних и больших размеров выборки и которые учитывают наличие мешающих параметров. Видеть Басу (1977) для некоторого общего обсуждения и Сполла и Гарнера (1990) для некоторого обсуждения, касающегося идентификации параметров в линейной динамике (т. Е. представление в пространстве состояний ) модели.

В Байесовский анализ, общеприменимый подход создает случайные выборки из совместного апостериорного распределения всех параметров: см. Цепь Маркова Монте-Карло. Учитывая это, совместное распределение только интересующих параметров может быть легко найдено с помощью маргинализация по мешающим параметрам. Однако этот подход не всегда может быть эффективным с вычислительной точки зрения, если некоторые или все мешающие параметры могут быть устранены на теоретической основе.

Смотрите также

Рекомендации

  • Басу Д. (1977), «Об устранении мешающих параметров», Журнал Американской статистической ассоциации, т. 77. С. 355–366. Дои:10.1080/01621459.1977.10481002
  • Бернардо, Дж. М., Смит, А. Ф. М. (2000) Байесовская теория. Вайли. ISBN  0-471-49464-X
  • Кокс, Д.Р., Хинкли, Д.В. (1974) Теоретическая статистика. Чепмен и Холл. ISBN  0-412-12420-3
  • Сполл, Дж. К. и Гарнер, Дж. П. (1990), «Идентификация параметров для моделей пространства состояний с мешающими параметрами», IEEE Transactions по аэрокосмическим и электронным системам, т. 26 (6), стр. 992–998.
  • Янг, Г. А., Смит, Р. Л. (2005) Основы статистического вывода, ЧАШКА. ISBN  0-521-83971-8