Varyans Azaltma Teknikleri
Varyans azaltma teknikleri, Monte Carlo tahmincisinin örnekleme varyansını düşüren araçlardır; böylece hedeflenen bir doğruluk, basit örneklemenin gerektireceğinden daha az simüle edilmiş çekimle elde edilebilmektedir.
Tanım
Varyans azaltma tekniği, bir Monte Carlo örnekleme şemasının veya tahmincisinin, aynı hedef miktar için yanlılıktan arındırılmış veya tutarlı kalmasını sağlarken, ortaya çıkan tahminin varyansını azaltan bir modifikasyonudur.
Kapsam
Bu konu, başlıca klasik şemaları kapsamaktadır: ortak ve antitetik rastgele sayılar, kontrol değişkenleri, varyans azaltma aracı olarak görülen önem örneklemesi, tabakalı ve Latin hiperküp örneklemesi ve koşullandırma (Rao-Blackwellization). Vurgu, tahminci varyansının yanlılıktan arındırılmış azaltılmasına ve her bir şemanın hangi koşullar altında yardımcı olduğuna odaklanmaktadır.
Temel sorular
- Antitetik ve ortak rastgele sayılar, varyansı iptal etmek için korelasyondan nasıl yararlanmaktadır?
- Bir kontrol değişkeni, bilinen ortalamaya sahip korelasyonlu bir niceliği bir tahminciyi ayarlamak için nasıl kullanmaktadır?
- Önem örneklemesi yoluyla örnekleri yeniden ağırlıklandırmak neden varyansı azaltabilmektedir ve ne zaman ters tepebilmektedir?
- Tabakalama ve koşullandırma varyansı nasıl düşürmektedir ve maliyetleri nelerdir?
Anahtar kavramlar
- Antitetik değişkenler
- Kontrol değişkenleri
- Ortak rastgele sayılar
- Tabakalı örnekleme
- Rao-Blackwellization
- Etkin örneklem büyüklüğü
Temel kuramlar
- Korelasyon tabanlı azaltma
- Antitetik değişkenler, eşleştirilmiş çekimler arasında negatif korelasyon indüklemekte ve kontrol değişkenleri, bilinen beklentiye sahip korelasyonlu bir niceliği çıkarmaktadır; her ikisi de yararlanılan korelasyonun gücüyle orantılı olarak varyansı azaltmaktadır.
- Yeniden ağırlıklandırma ve tabakalama
- Önem örneklemesi, bir ölçü değişimi yoluyla simülasyon çabasını etkili bölgelere kaydırmakta, tabakalı ve Latin hiperküp tasarımları ise çekimleri girdi alanı boyunca eşit şekilde yaymaktadır; her biri, integranda uygun şekilde eşleştirildiğinde varyansı keskin bir şekilde azaltabilmektedir.
Klinik önem
Varyans azaltma, büyük simülasyon çalışmalarını, nadir olay tahminini ve maliyetli Bayes hesaplamalarını uygulanabilir kılmaktadır: belirli bir hassasiyet için gereken çekim sayısını azaltarak hesaplama süresini düşürmekte ve ortak rastgele sayılar gibi teknikler, rakip sistemler veya tahminciler arasındaki karşılaştırmaları keskinleştirmektedir.
Tarihçe
Klasik varyans azaltma araç seti (antitetik değişkenler, kontrol değişkenleri, önem örneklemesi, tabakalama), yirminci yüzyılın ortalarında ilk büyük ölçekli Monte Carlo uygulamalarıyla birlikte geliştirilmiştir ve daha sonra istatistiksel simülasyon literatüründe Rao-Blackwellization gibi koşullandırma fikirleriyle birleştirilmiştir.
Öne çıkan isimler
- Christian P. Robert
- George Casella
- John M. Hammersley
İlgili konular
Temel eserler
- robert2004
- givens2013
Sıkça sorulan sorular
- Varyans azaltma teknikleri, tahmin edilen niceliği değiştirmekte midir?
- Hayır. Doğru uygulandığında, aynı beklentiyi hedeflemekte ve yanlılıktan arındırılmış veya tutarlı kalmaktadırlar; sadece rastgeleliğin nasıl girdiğini yeniden düzenleyerek tahmincinin gerçek değer etrafında daha az dalgalanmasını sağlamaktadırlar.
- Bir varyans azaltma tekniği durumu daha da kötüleştirebilmekte midir?
- Evet. İntegrand ile zayıf korelasyonlu bir kontrol değişkeni veya hedefe uymayan bir önem yoğunluğu varyansı artırabilmektedir. Fayda, tekniğin problemin yapısına uygunluğuna bağlıdır.