4.2. Circumventing the drawbacks of

4.2. Circumventing the drawbacks of parametric forecasting
Parametric approaches do have real limitations. In particular,
parametric inference can be challenging for complex models. A
particular ad-hoc solution to this problem has been used in this study
(Pisarenko and Sornette, 2004). But many other ways to tackle parametric
inference for complex models have been developed in recent
years, notably methods based on computer-intensive simulations like
approximate Bayesian computation (Beaumont, 2010; Jabot and
Chave, 2011) or synthetic likelihoods (Wood, 2010). These methodological
innovations are further eased with dedicated statistical
packages (e.g., Csilléry et al., 2012; Jabot et al., 2013) and should
drastically reduce limitations to parametric inference. Besides inference,
model development has been eased in recent years with
progress in techniques of sensitivity analysis (Lamboni et al., 2009)
and more generally by the synthesis of good modeling practices
(Grimm et al., 2014)

ผลลัพธ์ (ไทย) 1:

4.2 การ circumventing ข้อเสียของการคาดการณ์พาราเมตริกแนวทางพาราเมตริกมีข้อจำกัดที่แท้จริง โดยเฉพาะข้อพาราเมตริกได้อย่างท้าทายในรูปแบบที่ซับซ้อน Aมีการใช้เฉพาะกิจแก้ไขปัญหานี้ในการศึกษานี้(Pisarenko และ Sornette, 2004) แต่วิธีอื่นการแท็กเกิลพาราเมตริกข้อสำหรับรูปแบบที่ซับซ้อนได้รับการพัฒนาในปัจจุบันปี วิธียวดตามจำลองคอมพิวเตอร์มากเช่นประมาณคำนวณทฤษฎี (โบมอนต์ 2010 Jabot และChave, 2011) หรือสังเคราะห์ likelihoods (ไม้ 2010 เหล่านี้ methodologicalนวัตกรรมเป็นการบรรเทา ด้วยเฉพาะสถิติแพคเกจ (เช่น Csilléry et al., 2012 Jabot et al., 2013) และควรลดข้อจำกัดข้อพาราเมตริก นอกเหนือจากข้อพัฒนาแบบจำลองได้ถูกบรรเทาในปีที่ผ่านมาด้วยความก้าวหน้าในเทคนิคการวิเคราะห์ความไว (Lamboni et al., 2009)และโดยทั่วไปมากขึ้น โดยการสังเคราะห์ของดีโมเดลปฏิบัติ(Grimm et al., 2014)

ผลลัพธ์ (ไทย) 2:

4.2 หลีกเลี่ยงข้อบกพร่องของการพยากรณ์ตัวแปรวิธี Parametric จะมีข้อ จำกัด ที่แท้จริง
โดยเฉพาะอย่างยิ่งการอนุมานพาราสามารถเป็นสิ่งที่ท้าทายสำหรับรูปแบบที่ซับซ้อน แก้ปัญหาเฉพาะกิจโดยเฉพาะอย่างยิ่งในการแก้ไขปัญหานี้ถูกนำมาใช้ในการศึกษานี้(Pisarenko และ Sornette, 2004) แต่อีกหลายวิธีที่จะแก้ไขปัญหาพาราอนุมานสำหรับรุ่นที่มีความซับซ้อนได้รับการพัฒนาที่ผ่านมาในปีที่ผ่านมาโดยเฉพาะอย่างยิ่งวิธีการขึ้นอยู่กับแบบจำลองคอมพิวเตอร์มากเช่นการคำนวณแบบเบย์โดยประมาณ(โบมอนต์ 2010; Jabot และChave 2011) หรือโอกาสเกิดสังเคราะห์ (ไม้ 2010) วิธีการเหล่านี้นวัตกรรมปลดเปลื้องต่อไปด้วยสถิติเฉพาะแพคเกจ(เช่นCsilléry et al, 2012;. Jabot et al, 2013). และควรลดข้อจำกัด ในการอนุมานพารา นอกจากนี้การอนุมาน, การพัฒนารูปแบบที่ได้รับการปลดเปลื้องในปีที่ผ่านมามีความก้าวหน้าในเทคนิคของการวิเคราะห์ความไว (Lamboni et al., 2009) และอื่น ๆ โดยทั่วไปการสังเคราะห์การสร้างแบบจำลองของการปฏิบัติที่ดี(กริมม์ et al., 2014)

ผลลัพธ์ (ไทย) 3:

4.2 . หลีกเลี่ยงข้อด้อยของพาราพาราวิธีทำพยากรณ์
มีข้อจำกัดจริงๆ โดย
สรุปพารามิเตอร์สามารถท้าทายสำหรับโมเดลที่ซับซ้อน เป็นโซลูชั่นเฉพาะกิจ
โดยเฉพาะปัญหานี้ได้ถูกใช้ในการศึกษา
( pisarenko และ sornette , 2004 ) แต่อีกหลายวิธีที่จะแก้ไขปัญหาการอนุมานเชิง
สำหรับรุ่นที่ได้รับการพัฒนาในปีล่าสุด
ปีโดยเฉพาะ โดยวิธีจำลองบนคอมพิวเตอร์ที่เข้มข้นเช่น
ประมาณคชกรรมการคำนวณ ( โบมอนต์ , 2010 ; Jabot และ
chave 2011 ) หรือ likelihoods สังเคราะห์ไม้ ( 2010 ) นวัตกรรมวิธีการ
เหล่านี้เพิ่มเติมบรรเทากับทุ่มเทแพคเกจสถิติ
( เช่น csill é ry et al . , 2012 ; Jabot et al . , 2013 ) และควรลดข้อจำกัดการอนุมานเชิง
. นอกจากการ
การพัฒนาแบบจำลองได้ถูกปลดเปลื้องในปีล่าสุดกับ
ความคืบหน้าในเทคนิค การวิเคราะห์ความไว ( lamboni et al . , 2009 )
และอื่น ๆโดยทั่วไปโดยการสังเคราะห์วิธีปฏิบัติแบบดี
( กริม et al . , 2010 )