論文の概要: PowerGraph: Using neural networks and principal components to
multivariate statistical power trade-offs
- arxiv url: http://arxiv.org/abs/2201.00719v1
- Date: Wed, 29 Dec 2021 19:06:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 14:17:49.063713
- Title: PowerGraph: Using neural networks and principal components to
multivariate statistical power trade-offs
- Title(参考訳): PowerGraph: ニューラルネットワークと主成分を用いた統計パワートレードオフの多変量化
- Authors: Ajinkya K Mulay, Sean Lane and Erin Hennes
- Abstract要約: 複数のモデルパラメータを持つ計画研究に対する事前統計パワー推定は本質的に多変量問題である。
このような場合の明示的な解は非現実的であるか、解決できないかのいずれかであり、研究者はパワーをシミュレートする一般的な方法を残している。
本稿では,様々なモデルパラメータの組み合わせに関する研究において,統計的パワーの効率的な推定とグラフ化について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is increasingly acknowledged that a priori statistical power estimation
for planned studies with multiple model parameters is inherently a multivariate
problem. Power for individual parameters of interest cannot be reliably
estimated univariately because sampling variably in, correlation with, and
variance explained relative to one parameter will impact the power for another
parameter, all usual univariate considerations being equal. Explicit solutions
in such cases, especially for models with many parameters, are either
impractical or impossible to solve, leaving researchers with the prevailing
method of simulating power. However, point estimates for a vector of model
parameters are uncertain, and the impact of inaccuracy is unknown. In such
cases, sensitivity analysis is recommended such that multiple combinations of
possible observable parameter vectors are simulated to understand power
trade-offs. A limitation to this approach is that it is computationally
expensive to generate sufficient sensitivity combinations to accurately map the
power trade-off function in increasingly high dimensional spaces for the models
that social scientists estimate. This paper explores the efficient estimation
and graphing of statistical power for a study over varying model parameter
combinations. Optimally powering a study is crucial to ensure a minimum
probability of finding the hypothesized effect. We first demonstrate the impact
of varying parameter values on power for specific hypotheses of interest and
quantify the computational intensity of computing such a graph for a given
level of precision. Finally, we propose a simple and generalizable machine
learning inspired solution to cut the computational cost to less than 7\% of
what could be called a brute force approach. [abridged]
- Abstract(参考訳): 複数のモデルパラメータを持つ計画研究における事前の統計パワー推定は本質的に多変量問題である。
興味のある個々のパラメータのパワーは、あるパラメータに対して説明されたサンプリング、相関、分散が他のパラメータのパワーに影響を与えるため、一変量で確実に見積もることはできない。
このような場合、特に多くのパラメータを持つモデルの場合、明示的な解は非現実的か不可能かのいずれかであり、研究者はパワーをシミュレートする手法が一般的である。
しかし、モデルパラメータのベクトルの点推定は不確かであり、不正確性の影響も不明である。
この場合、可観測パラメータベクトルの複数の組み合わせをシミュレートしてパワートレードオフを理解するように感度解析が推奨される。
このアプローチの限界は、社会科学者が推定するモデルの高次元空間におけるパワートレードオフ関数を正確にマッピングするために十分な感度の組み合わせを生成するのに計算コストがかかることである。
本稿では,様々なモデルパラメータの組み合わせについて,統計的パワーの効率的な推定とグラフ化について検討する。
研究を最適に力づけることは、仮説的な効果を見つけるための最小の確率を確保するために不可欠である。
まず,特定の関心値に対するパワーに対するパラメータ値の変動の影響を実証し,与えられた精度レベルに対するグラフ計算の計算強度を定量化する。
最後に,計算コストをブリュート・フォース・アプローチ(brute force approach)と呼ばれる7\%未満に削減するための,単純で一般化可能な機械学習インスパイア・ソリューションを提案する。
abridged (複数形 abridgeds)
関連論文リスト
- Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。
入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。
論文 参考訳(メタデータ) (2024-04-23T09:22:35Z) - Determining the significance and relative importance of parameters of a
simulated quenching algorithm using statistical tools [0.0]
本稿では,ANOVA (Analysis of the VAriance) 法を用いて, 模擬アニール法を徹底的に解析する。
ANOVAとポストホックTukey HSDを用いて, 得られた結果のパラメータの意義と相対的重要性, およびそれぞれの値について検討した。
論文 参考訳(メタデータ) (2024-02-08T16:34:00Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳(メタデータ) (2022-08-29T16:16:22Z) - Sparse Bayesian Learning for Complex-Valued Rational Approximations [0.03392423750246091]
サロゲートモデルは、エンジニアリングタスクの計算負担を軽減するために使用される。
これらのモデルは入力パラメータに強い非線形依存を示す。
合理的近似にスパース学習アプローチを適用する。
論文 参考訳(メタデータ) (2022-06-06T12:06:13Z) - Long Story Short: Omitted Variable Bias in Causal Machine Learning [26.60315380737132]
我々は、幅広い共通因果パラメータに対する省略変数バイアスの理論を開発する。
省略変数の最大説明力に対する簡易な妥当性判定は,バイアスの大きさを限定するのに十分であることを示す。
本研究では,現代の機械学習アルゴリズムを応用して推定を行う,フレキシブルで効率的な統計的推論手法を提案する。
論文 参考訳(メタデータ) (2021-12-26T15:38:23Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳(メタデータ) (2020-05-22T22:30:52Z) - Optimal statistical inference in the presence of systematic
uncertainties using neural network optimization based on binned Poisson
likelihoods with nuisance parameters [0.0]
本研究は,特徴工学のためのニューラルネットワークによる次元削減を構築するための新しい戦略を提案する。
提案手法は, 最適に近い利害関係のパラメータを推定する方法について議論する。
論文 参考訳(メタデータ) (2020-03-16T13:27:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。