Box 1.2 Model selection and inferen

Box 1.2 Model selection and inference

Inference from models can take many forms, some of which are misleading. For example, collection of large amounts of data as fodder for multivariate models without a clear purpose can lead to spurious results (Rexstad et al. 1988; Anderson et al. 2001). A relatively new wave of model selection and inference, however, is based on information theoretic approaches. Burnham and Anderson (1998:1) describe this as “making valid inferences from scientific data when a meaningful analysis depends on a model.” This approach
is based on the concept that the data, no matter how large
the data set, will only support limited inference. Thus, a proper
model has: (1) the full support of the data, (2) enough parameters
to avoid bias, and (3) not too many parameters (so that precision is
not lost). The latter two criteria combine to form the “Principle of
Parsimony” (Burnham and Anderson 1992): a trade off between the
extremes of underfitting (not enough parameters) and overfitting
(too many parameters) the model, given a set of a priori alternative
models for the analysis of a given data set.

ผลลัพธ์ (ไทย) 1:

เลือกรูปแบบกล่อง 1.2 และข้อ

ข้อจากแบบจำลองสามารถใช้หลายรูปแบบ ซึ่งจะทำให้เข้าใจผิดได้ ตัวอย่าง ชุดของข้อมูลขนาดใหญ่เป็นอาหารสัตว์ในรูปแบบตัวแปรพหุโดยวัตถุประสงค์ที่ชัดเจนสามารถนำไปสู่ผลลัพธ์เก๊ (Rexstad et al. 1988 แอนเดอร์สันและ al. 2001) คลื่นใหม่เลือกรูปแบบและข้อ แต่ ตั้งอยู่บนแนวทาง theoretic ข้อมูล เบิร์นแฮมและแอนเดอร์สัน (1998:1) นี้เป็นอธิบาย "การทำ inferences ถูกต้องจากข้อมูลทางวิทยาศาสตร์เมื่อวิเคราะห์ความหมายขึ้นอยู่กับแบบ" วิธีการนี้
ตามแนวความคิดที่ข้อมูล ไม่ขนาด
ชุดข้อมูล จะสนับสนุนข้อจำกัดเฉพาะการ ดังนั้น เฉพาะ
รุ่นมี: (1)สนับสนุนทั้งหมดของข้อมูล, (2) เพียงพอพารามิเตอร์
เพื่อหลีกเลี่ยงการตั้ง และ (3) พารามิเตอร์ที่ไม่มากเกินไป (เพื่อให้มีความแม่นยำ
ไม่หาย) เงื่อนไขสองหลังรวมแบบฟอร์ม "หลัก
Parsimony " (เบิร์นแฮมและแอนเดอร์สัน 1992): การค้าปิดระหว่าง
สุด underfitting (ไม่เพียงพอพารามิเตอร์) และ overfitting
(too many parameters) รุ่น กำหนดชุดของ priori มีทาง
แบบจำลองสำหรับการวิเคราะห์ชุดข้อมูลกำหนด

ผลลัพธ์ (ไทย) 3:

กล่อง 1.2 การเลือกแบบและการอนุมาน

การอนุมานจากแบบจำลองสามารถใช้หลายรูปแบบบางส่วนที่เข้าใจผิด ตัวอย่างเช่น การเก็บรวบรวมข้อมูลปริมาณมากเป็นคนไร้ค่าสำหรับรุ่นหลายตัวแปรโดยไม่มีวัตถุประสงค์ที่ชัดเจนสามารถนำไปสู่ผลปลอม ( rexstad et al . 1988 ; Anderson et al . 2001 ) ที่ค่อนข้างใหม่ของการเลือกรูปแบบคลื่นและการอนุมาน อย่างไรก็ตามจากข้อมูลตามทฤษฎีแนว อัม แอนเดอร์สัน ( 1998:1 ) อธิบายนี้เป็น " การใช้ที่ถูกต้อง จากข้อมูลทางวิทยาศาสตร์ เมื่อวิเคราะห์ความหมายขึ้นอยู่กับรูปแบบ . " วิธีการนี้
จะขึ้นอยู่กับแนวคิดว่าข้อมูลไม่ว่าขนาดใหญ่
ชุดข้อมูลจะสนับสนุนการจำกัด ดังนั้น รูปแบบเหมาะสม
: ( 1 ) การสนับสนุนเต็มรูปแบบของข้อมูล ( 2 ) พารามิเตอร์เพียงพอ
เพื่อหลีกเลี่ยงอคติและ ( 3 ) ตัวแปรมากเกินไป ( เพื่อให้ความแม่นยํา
ไม่หาย ) สองอย่างหลังเกณฑ์รวมในรูปแบบ " หลักการ
ตระหนี่ " ( อัมแอนเดอร์สัน 1992 ) : การค้าออกระหว่าง
สุดขั้วของ underfitting ( พารามิเตอร์ไม่เพียงพอ ) และ overfitting
( พารามิเตอร์มากเกินไป ) แบบที่ได้รับชุดของ priori ทางเลือก
แบบจำลองสำหรับการวิเคราะห์ข้อมูลที่ได้รับการตั้งค่า