کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4949352 | 1440047 | 2017 | 20 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A mixture model-based nonparametric approach to estimating a count distribution
ترجمه فارسی عنوان
یک روش غیر پارامتری مبتنی بر مدل ترکیبی برای برآورد توزیع شمارش
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تعداد داده ها، برآورد ناپارامتری حداقل اختلاف قدرت، مدل مخلوط پواسون، خانواده واگرا قدرت
ترجمه چکیده
تراکم توزیع مخلوط با توزیع اختلاط گسسته ناشناخته می تواند راهی برای یافتن تخمین غیر پارامتری تراکم باشد. در مقایسه با یک رویکرد استاندارد پارامتریک که خطری برای عدم تعریف مدل و یک رویکرد غیر پارامتری مبتنی بر هسته است که تمام داده ها را برای ساخت یک برآورد تراکم حفظ می کند، این رویکرد غیر پارامتری مبتنی بر مدل مخلوط که به طور طبیعی از این مشکلات دور است، بسیار جذاب است برای برآورد تراکم. با توجه به این مزایا، این روش برای برآورد توزیع شمارش در نظر گرفته شده است. برآورد توزیع شمارش از طریق این به معنی لزوما شامل مشکل تخمین غیر پارامتری توزیع مخلوط گسسته است. مسئله برآورد غیر پارامتری با استفاده از خانواده واپاشیهای قدرت فرموله شده است، بنابراین ارائه یک طبقه از برآوردگرهای غیر پارامتری توزیع اختلاط گسسته. یک الگوریتم سریع برای محاسبه کلاس غیرمتعارف برآورد تخمین انحصاری قدرت ارائه شده است که با آن می توان کلاس های متفاوتی از برآوردهای مبتنی بر مدل ترکیبی توزیع فراوانی را اجرا کرد. فقط استفاده از توابع احتمالی توزیع توزیع مخلوط پواسون با توزیع اختلاط گسسته ناشناخته نشان داده شده است. نتایج شبیه سازی نشان می دهد که برآوردگرهای مبتنی بر مدل مخلوط به طور متوسط برآوردگرهای مبتنی بر هسته برای نمونه های غیر مجاز از اندازه های بزرگتر و نمونه های آلوده با هر اندازه در نظر گرفته می شوند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
The density of a mixture distribution with unknown discrete mixing distribution can be a way of finding a nonparametric estimate of a density. Comparing with a standard parametric approach that runs the risk of model misspecification and a kernel-based nonparametric approach that retains all data points for constructing a density estimate, this mixture model-based nonparametric approach that naturally circumvents these problems is very appealing to density estimation. Owing to these advantages, this approach to estimating a count distribution is considered. Estimation of a count distribution via this means necessarily involves the problem of nonparametric estimation of a discrete mixing distribution. The nonparametric estimation problem is formulated using the family of power divergences, thus offering a class of nonparametric estimators of a discrete mixing distribution. A fast algorithm is presented for computing the class of nonparametric minimum power divergence estimates with which the corresponding class of mixture model-based estimates of a count distribution can be implemented. Only the use of the probability mass function of the Poisson mixture distribution with unknown discrete mixing distribution is illustrated. The simulation results show that the mixture model-based estimators on average outperform the kernel-based estimators for uncontaminated samples of larger sizes and contaminated samples of all sizes considered.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 109, May 2017, Pages 34-44
Journal: Computational Statistics & Data Analysis - Volume 109, May 2017, Pages 34-44
نویسندگان
Chew-Seng Chee,