Natknąłem się na transformację stabilizującą wariancję podczas czytania metody Kaggle Essay Eval . Używają transformacji stabilizacji wariancji, aby przekształcić wartości kappa przed pobraniem ich średniej, a następnie przekształcić je z powrotem. Nawet po przeczytaniu wiki o transformacjach stabilizujących wariancje nie rozumiem, dlaczego tak naprawdę stabilizujemy wariancje? Jakie korzyści dzięki temu zyskujemy?
variance
mathematical-statistics
Pushpendre
źródło
źródło
Odpowiedzi:
Oto jedna odpowiedź: zwykle najskuteczniejszym sposobem przeprowadzania wnioskowania statystycznego jest to, że twoje dane są tam. Jeśli tak nie jest, otrzymujesz różne ilości informacji z różnych obserwacji, a to jest mniej wydajne. Innym sposobem widzenia jest stwierdzenie, że jeśli możesz dodać dodatkowe informacje do wniosku (tj. Funkcjonalną formę wariancji poprzez transformację stabilizującą wariancję), ogólnie poprawisz dokładność swoich oszacowań, przynajmniej asymptotycznie. W przypadku bardzo małych próbek przeszkadzanie w modelowaniu wariancji może zwiększyć odchylenie od małej próbki. Jest to rodzaj ekonometrycznego argumentu typu GMM: jeśli dodasz dodatkowe momenty, twoja asymptotyczna wariancja nie może wzrosnąć; a twoje skończone odchylenie próbki wzrasta wraz z nadmiernie zidentyfikowanym stopniem swobody.
Inna odpowiedź została udzielona przez kardynała: jeśli masz nieznaną wariancję wiszącą w ekspresji wariancji asymptotycznej, konwergencja do rozkładu asymptotycznego będzie wolniejsza i będziesz musiał jakoś oszacować tę wariancję. Wstępne przestawienie danych lub statystyk zwykle pomaga poprawić dokładność asymptotycznych przybliżeń.
źródło