Önem Örneklemesi
Önem örneklemesi, hedef bir dağılım altındaki bir beklentiyi, farklı, daha uygun bir öneri dağılımından örneklem çekerek ve her bir çekimi, hedef ile öneri yoğunluğunun oranına eşit bir ağırlıkla düzelterek tahmin etmektedir.
Tanım
Önem örneklemesi, hedef bir yoğunluk altındaki bir fonksiyonun beklentisini, öneri yoğunluğundan çekilen örneklemler üzerinde fonksiyonu bir önem ağırlığı ile çarparak ortalamasını alan bir Monte Carlo tekniğidir.
Kapsam
Bu konu, önem örneklemesi özdeşliğini ve ortaya çıkan ağırlıklı tahminciyi, önerinin seçimi ve bunun ağırlık varyansı üzerindeki etkisini, yoğunlukların yalnızca bir sabite kadar bilindiği durumlarda kullanılan öz-normalleştirilmiş tahminciyi, etkin örneklem büyüklüğünün tanısal rolünü ve ağır kuyruklu ağırlıkların patolojilerini kapsamaktadır. Varyans azaltma ve parçacık yöntemleriyle bağlantılıdır.
Temel sorular
- Bir öneriden alınan örneklemleri yeniden ağırlıklandırmak, hedef altındaki bir beklentiyi nasıl geri kazandırır?
- Hangi öneri seçimi, önem örneklemesi tahmincisinin varyansını minimize eder?
- Yalnızca normalleştirilmemiş yoğunluklar mevcut olduğunda öz-normalleştirilmiş önem örneklemesi nasıl kullanılır?
- Etkin örneklem büyüklüğü, ağırlık dejenerasyonunu nasıl teşhis eder?
Anahtar kavramlar
- Önem ağırlıkları
- Öneri dağılımı
- Öz-normalleştirilmiş tahminci
- Etkin örneklem büyüklüğü
- Ağırlık dejenerasyonu
Temel kuramlar
- Önem örneklemesi özdeşliği
- Hedef altındaki bir beklenti, fonksiyonun yoğunluk oranıyla çarpımının öneri altındaki beklentisine eşittir; bu nedenle, öneri hedefin desteğini kapsadığında ağırlıklı örneklem ortalaması hedef beklentiyi yanlılık olmadan tahmin etmektedir.
- Optimal öneri ve ağırlık varyansı
- Tahmincinin varyansı, mutlak integral alınana orantılı bir öneri ile minimize edilmektedir ve pratikte uyumsuz veya hafif kuyruklu öneriler, varyansı artıran ve düşük etkin örneklem büyüklüğü ile ölçülen birkaç baskın ağırlık üretmektedir.
Klinik önem
Önem örneklemesi, nadir olay olasılıklarının, marjinal olabilirliklerin ve sonsal beklentilerin tahmin edilmesini sağlamakta, tek bir örneğin birçok ilişkili hedefi değerlendirmek için yeniden kullanılmasına olanak tanımakta ve durum uzayı ile zaman serisi modellerinde kullanılan sıralı Monte Carlo (parçacık) filtrelerinin temelini oluşturmaktadır.
Tarihçe
Önem örneklemesi, yirminci yüzyıl ortalarındaki Monte Carlo uygulamaları içinde bir varyans azaltma aracı olarak ortaya çıkmış ve daha sonra istatistikçiler tarafından öz-normalleştirilmiş ve adaptif formlara dönüştürülerek sıralı Monte Carlo ve modern Bayes hesaplamasının temel bir bileşeni haline gelmiştir.
Öne çıkan isimler
- Christian P. Robert
- George Casella
- Geneva Hoeting
İlgili konular
Temel eserler
- robert2004
- givens2013
Sıkça sorulan sorular
- Hedefi doğrudan örneklemek yerine neden bir öneri dağılımı kullanılır?
- Genellikle hedef kolayca örneklenememektedir veya nadir bir olayın kuyruğu gibi önemli bir bölgede çekimleri yoğunlaştırmak istenmektedir. Önem örneklemesi, uygun bir dağılımı örneklemeye ve uyumsuzluğu ağırlıklarla düzeltmeye olanak tanımaktadır.
- Öneri kötü seçilirse ne gibi sorunlar ortaya çıkar?
- Eğer önerinin kuyrukları hedeften daha hafifse, birkaç örneklem çok büyük ağırlıklar alır ve tahmini domine ederek yüksek veya hatta sonsuz varyansa neden olur. Etkin örneklem büyüklüğü tanısı bu dejenerasyonu işaret etmektedir.