统计学中的数值方法
统计学中的数值方法是指在有限精度算术中进行统计估计时，为确保其可靠性和效率而采用的矩阵计算、数值积分和精度考量。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
统计学中的数值方法是研究有限精度算法的学科，特别是矩阵计算和数值积分，用于评估和解决在拟合和分析统计模型时出现的线性代数和积分问题。
Scope
该领域涵盖了回归和多变量分析背后的数值线性代数、用于解决和稳定统计计算的矩阵分解，以及用于评估似然和后验量的数值积分。其处理方法强调统计动机和统计模型特有的条件性问题，是对一般数值分析学科的补充。
Sub-topics
Core questions
- 如何组织回归和多变量计算以确保其准确性和稳定性？
- 哪些矩阵分解能可靠地解决正规方程和相关问题？
- 如何对似然和后验积分进行数值评估？
- 统计问题的条件性如何影响其解的准确性？
Key theories
- 统计线性系统的稳定解
- 最小二乘等统计计算最好通过正交分解而不是正规方程来解决，这在预测变量接近共线时能提高数值稳定性。
- 统计积分的数值评估
- 似然、边际密度和后验期望通常需要数值积分；选择适合被积函数形状和尾部的规则可以控制所得统计量的准确性。
Clinical relevance
回归系数、协方差估计和似然评估的可靠性依赖于底层的数值方法；即使统计模型正确，不良的条件性或不稳定的算法也可能导致不准确的估计或收敛失败。
History
随着统计计算的成熟，该领域吸收了数值分析中关于稳定矩阵分解和数值积分的成果，并将其应用于统计问题的结构，从20世纪90年代起，为统计学家编写了专门的数值方法教材。
Key figures
- Kenneth Lange
- John Monahan
- Gene Golub
- Charles Van Loan
Related topics
Seminal works
- lange2010
- monahan2011
Frequently asked questions
- 这与数学中的数值分析学科有何不同？
- 它使用相同的数学工具，但侧重于统计学中特有的问题和条件性，例如具有共线预测变量的最小二乘法或似然评估，以及对统计估计的准确性影响。
- 为什么数值稳定性对于正确的统计模型很重要？
- 即使是正确的模型也必须在计算机上以有限精度求解。不稳定的算法会放大舍入误差，因此，除非使用数值上可靠的方法，否则即使是良好设定的估计也可能不准确。