WikiDer > Чередование условных ожиданий

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья в значительной степени или полностью полагается на один источник. Соответствующее обсуждение можно найти на страница обсуждения. Пожалуйста помоги улучшить эту статью путем введения цитаты к дополнительным источникам. Найдите источники: «Чередование условных ожиданий» – Новости · газеты · книги · ученый · JSTOR (Август 2018 г.) Эта статья может быть слишком техническим для большинства читателей, чтобы понять. Пожалуйста помогите улучшить это к сделать понятным для неспециалистов, не снимая технических деталей. (Август 2018 г.) (Узнайте, как и когда удалить этот шаблон сообщения) (Узнайте, как и когда удалить этот шаблон сообщения)

Чередование условных ожиданий (ТУЗ) является алгоритм найти оптимальные преобразования между переменная ответа и переменные-предикторы в регрессивный анализ.^[1]

Вступление

В статистика, нелинейное преобразование переменных широко используется на практике в задачах регрессии. Чередование условных ожиданий (ACE) - один из методов поиска тех преобразований, которые обеспечивают наилучшее соответствие аддитивная модель. Знание таких преобразований помогает интерпретировать и понимать взаимосвязь между ответом и предикторами.

ACE преобразует переменную ответа ${ displaystyle Y}$ и его предикторные переменные, ${ displaystyle X_ {i}}$ свести к минимуму доля дисперсии не объяснена. Преобразование является нелинейным и получается из данных итеративным способом.

Математическое описание

Позволять ${ displaystyle Y, X_ {1}, dots, X_ {p}}$ быть случайные переменные. Мы используем ${ Displaystyle X_ {1}, точки, X_ {p}}$ предсказывать ${ displaystyle Y}$. Предполагать ${ displaystyle theta (Y), varphi _ {1} (X_ {1}), dots, varphi _ {p} (X_ {p})}$ являются функциями с нулевым средним и с этими функции преобразования, доля дисперсии ${ displaystyle theta (Y)}$ не объяснено

${ displaystyle e ^ {2} ( theta, varphi _ {1}, dots, varphi _ {p}) = { frac { mathbb {E} left [ theta (Y) - sum _ {i = 1} ^ {p} varphi _ {i} (X_ {i}) right] ^ {2}} { mathbb {E} [ theta ^ {2} (Y)]}}}$

Как правило, оптимальные преобразования, минимизирующие необъяснимую часть, сложно вычислить напрямую. В качестве альтернативы ACE - это итерационный метод расчета оптимальных преобразований. Процедура ACE состоит из следующих этапов:

1. Держать ${ Displaystyle phi _ {1} (X_ {1}), точки, phi _ {p} (X_ {p})}$ фиксированный, минимизирующий ${ displaystyle e ^ {2}}$дает ${ displaystyle theta _ {1} (Y) = mathbb {E} left [ sum _ {i = 1} ^ {p} varphi _ {i} (X_ {i}) { Bigg |} Y right]}$
2. Нормализовать ${ displaystyle theta _ {1} (Y)}$ к единичной дисперсии.
3. Для каждого ${ displaystyle k}$, исправить другое ${ Displaystyle varphi _ {я} (X_ {я})}$ и ${ displaystyle theta (Y)}$, минимизируя ${ displaystyle e ^ {2}}$ и решение: ${ displaystyle { tilde { varphi}} _ {k} = mathbb {E} left [ theta (Y) - sum _ {i neq k} varphi _ {i} (X_ {i} ) { Bigg |} X_ {k} right]}$
4. Повторяйте вышеуказанные три шага, пока ${ displaystyle e ^ {2}}$ находится в пределах допустимой погрешности.

Двумерный случай

Оптимальная трансформация ${ Displaystyle тета ^ {*} (Y), varphi ^ {*} (X)}$ за ${ displaystyle p = 1}$ удовлетворяет

${ Displaystyle rho ^ {*} (X, Y) = rho ^ {*} ( theta ^ {*}, varphi ^ {*}) = max _ { theta, varphi} rho ( theta (Y), varphi (X))}$

куда ${ displaystyle rho}$ является Коэффициент корреляции Пирсона. ${ Displaystyle rho ^ {*} (X, Y)}$ известна как максимальная корреляция между ${ displaystyle X}$ и ${ displaystyle Y}$. Его можно использовать как общую меру зависимости.

В двумерном случае алгоритм ACE также можно рассматривать как метод оценки максимальной корреляции между двумя переменными.

Программная реализация

Алгоритм ACE был разработан в контексте известных распределений. На практике распределения данных редко известны, и условное ожидание следует оценивать на основе данных. R язык есть пакет acepack который реализует алгоритм ACE. В следующем примере показано его использование:

библиотека (acepack) TWOPI <- 8 * atan (1) x <- runif (200, 0, TWOPI) y <- exp (sin (x) + rnorm (200) / 2) a <- ace (x, y) par (mfrow = c (3,1)) plot (a $ y, a $ ty) # просмотреть график преобразования ответа (a $ x, a $ tx) # просмотреть график преобразования несущей (a $ tx, a $ ty) # исследовать линейность подобранной модели

Обсуждение

Алгоритм ACE обеспечивает полностью автоматизированный метод оценки оптимальных преобразований в множественная регрессия. Он также предоставляет метод оценки максимальной корреляции между случайными величинами. Поскольку процесс итерации обычно завершается ограниченным числом прогонов, временная сложность алгоритма составляет ${ displaystyle O (np)}$ куда ${ displaystyle n}$ количество образцов. Алгоритм достаточно эффективен для компьютера.

Сильным преимуществом процедуры ACE является возможность включать переменные совершенно разного типа с точки зрения набора значений, которые они могут принимать. Функции преобразования ${ Displaystyle тета (у), varphi _ {я} (х_ {я})}$ принимают значения на реальной линии. Однако их аргументы могут принимать значения на любом множестве. Например, заказанные реальные и неупорядоченные категориальные переменные могут быть включены в то же уравнение регрессии. Допустимы переменные смешанного типа.

В качестве инструмента для анализа данных процедура ACE обеспечивает графический вывод, указывающий на необходимость преобразований, а также помогающий в их выборе. Если конкретный график предлагает знакомую функциональную форму для преобразования, то данные могут быть предварительно преобразованы с использованием этой функциональной формы, и алгоритм ACE может быть повторно запущен.

Как и в случае любой процедуры регрессии, высокая степень связи между переменными-предикторами может иногда приводить к тому, что отдельные оценки трансформации могут сильно варьироваться, даже если полная модель достаточно стабильна. Когда это подозревается, запуск алгоритма на случайно выбранных подмножествах данных или на образцы начальной загрузки может помочь в оценке изменчивости.

Рекомендации

• Этот черновик содержит цитаты из Оценка оптимальных преобразований для множественной регрессии и корреляции Лео Брейман и Джером Фрейдман. Технический отчет № 9 июля 1982 г., который находится в открытом доступе.