Odwrócone przedziały ufności

11

Po tym spotkaniu zadaję pytanie o przekształcone wstecz konwencje dotyczące przedziałów ufności.

Zgodnie z tym artykułem nominalny CI transformowany wstecznie CI dla średniej logarytmicznej zmiennej losowej wynosi:

LCL(X)=exp(Y+var(Y) UdoL.(X)=exp(Y+var(Y)2)+zvar(Y)n+var(Y)2)2)(n-1))  L.doL.(X)=exp(Y+var(Y)2)-zvar(Y)n+var(Y)2)2)(n-1))

/ a nie naiwny /exp((Y)+zvar(Y))

Jakie są takie elementy CI dla następujących przekształceń:

  1. ix 1 / 3xx1/3)
  2. arcsin(x)
  3. log(x1-x)
  4. 1/x

A co z przedziałem tolerancji dla samej zmiennej losowej (mam na myśli wartość pojedynczej próbki losowo pobranej z populacji)? Czy istnieje ten sam problem z przedziałami przekształcanymi wstecz, czy będą one miały zasięg nominalny?

Germaniawerks
źródło
1
Zobacz rozszerzenie Taylora dla momentów funkcji rvs i metodę Delta . Ale potrzebna jest ostrożność. Zobacz na przykład dyskusję tutaj i [tutaj] (stats.stackexchange.com/questions/41896/varx-is-known-how-to-calculate-var1-x/). Wyszukiwanie w serii Taylor przedstawi kilka przydatnych przykładów i dyskusji.
Glen_b
Wprowadziłem znaczące zmiany w twoich formułach. Sprawdź, czy nie pomyliłem żadnego z nich. W moim poprzednim komentarzu (przepraszam za niepoprawnie sformatowany link) - zobacz także komentarz dotyczący ostrożności pod odpowiedzią tutaj
Glen_b
Dzięki. Chociaż nie mogę prawie nic opublikować bez edytowania tych fantazyjnych wyrażeń.
Germaniawerks

Odpowiedzi:

6

Dlaczego w ogóle dokonujesz transformacji wstecz? Ma to zasadnicze znaczenie dla odpowiedzi na twoje pytanie, ponieważ w niektórych przypadkach naiwna transformacja jest właściwą odpowiedzią. Właściwie myślę, że będę argumentować, że jeśli naiwna transformacja wsteczna nie jest właściwą odpowiedzią, to nie powinieneś w ogóle przekształcać transformacji.

Uważam, że ogólny problem transformacji kręgosłupa jest bardzo problematyczny i często wypełniony mętnym myśleniem. Patrząc na cytowany artykuł, co sprawia, że ​​uważają, iż rozsądnym pytaniem jest to, że CI przekształcony wstecz nie uchwycił pierwotnego środka? To błędna interpretacja wartości przekształconych wstecz. Uważają, że zasięg powinien być przeznaczony do bezpośredniej analizy w przestrzeni przekształconej wstecz. A następnie tworzą transformację wsteczną, aby naprawić ten błąd zamiast ich interpretacji.

Jeśli wykonasz analizy wartości dziennika, wówczas twoje szacunki i wnioski będą miały zastosowanie do tych wartości dziennika. Tak długo, jak weźmiesz pod uwagę jakąkolwiek transformację wsteczną, reprezentację tego, jak ta analiza dziennika wygląda w przestrzeni wykładniczej, i tylko w takim przypadku, jesteś w porządku z naiwnym podejściem. W rzeczywistości jest to dokładne. Dotyczy to każdej transformacji.

Robienie tego, co robią, rozwiązuje problem próby przekształcenia CI w coś, co nie jest, CI transformowanych wartości. Jest to obarczone problemami. Rozważ powiązanie, w którym jesteś teraz, dwa możliwe CI, jeden w przekształconej przestrzeni, w której przeprowadzasz analizy, i jeden przekształcony z powrotem, przedstawiają bardzo różne stwierdzenia o tym, gdzie prawdopodobne mu jest w drugiej przestrzeni. Zalecana transformacja wsteczna stwarza więcej problemów niż rozwiązuje.

Najlepszą rzeczą do wyciągnięcia z tego dokumentu jest to, że gdy zdecydujesz się przekształcić dane, ma to głębszy niż oczekiwano wpływ na znaczenie twoich szacunków i wniosków.

Jan
źródło
Czy mógłbyś to wyjaśnić? Wydaje mi się, że problemem jest to, że naiwny CI daje raczej średnią geometryczną niż arytmetykę. Co implikuje, że będzie on ściśle mniejszy, jak mówią, a stąd niekonsekwencja i słaby zasięg.
Germaniawerks
Niezgodność z czym? Jeśli zamierzasz bezpośrednio przeanalizować rozkład wykładniczy i chcesz poznać średnią arytmetyczną, to tak, to słaba ochrona. Ale jeśli chcesz to zrobić, powinieneś to zrobić. Jeśli masz zamiar logować, przekształcić swoją dystrybucję i analizować wykładniki, to jest to dokładnie odpowiedni zasięg.
Jan
Nie mogę zrozumieć, dlaczego sprzeciwiasz się metodzie opisanej w tym artykule. Symulacje pokazują, że dobrze sobie radzi, podczas gdy naiwna metoda radzi sobie gorzej niż „podejście z limitem centralnym”.
Germaniawerks
1
Pokazują, że lepiej sobie radzi z tym, czym chcą. Naiwna metoda działa dobrze. Spójrz na symulację w rozdziale 5. Ustawili średnią rozkład średniej 5, która ma wykładnik 148,4. Następnie dyskutują o zasięgu 244,6 !! Byłoby to ważne tylko wtedy, gdy zamierzasz modelować średnią z oryginalnej dystrybucji, a NIE dzienniki. Próbują zrobić z tego coś, czego nie ma. Naiwne obliczenia mają doskonale dokładny zasięg w stosunku do średniej z dziennika, 5. Żaden z pozostałych CI nie ma 95% CI tej wartości i to jest ten, który analizujesz.
Jan