Saya telah bekerja pada sampel penting cukup dekat selama setahun terakhir dan memiliki beberapa pertanyaan terbuka yang saya harap dapat membantu.
Pengalaman praktis saya dengan skema sampel penting adalah bahwa mereka kadang-kadang dapat menghasilkan estimasi varians rendah dan bias rendah yang fantastis. Namun, lebih sering, mereka cenderung menghasilkan perkiraan kesalahan tinggi yang memiliki varians sampel rendah tetapi bias sangat tinggi.
Saya bertanya-tanya apakah ada yang bisa menjelaskan dengan tepat faktor-faktor apa yang memengaruhi validitas estimasi kepentingan sampel? Secara khusus, saya bertanya-tanya:
1) Apakah estimasi sampling kepentingan dijamin akan menyatu dengan hasil yang benar ketika distribusi biasing memiliki dukungan yang sama dengan distribusi asli? Jika demikian, mengapa hal ini tampaknya membutuhkan waktu lama dalam praktik?
2) Apakah ada hubungan kuantitatif antara kesalahan dalam estimasi yang dihasilkan melalui sampling penting dan "kualitas" distribusi biasing (yaitu seberapa cocok dengan distribusi zero-variance)
3) Sebagian didasarkan pada 1) dan 2) - apakah ada cara untuk mengukur 'berapa banyak' yang harus Anda ketahui tentang distribusi sebelum Anda lebih baik menggunakan desain sampel penting daripada metode Monte Carlo sederhana.
Jadi, secara intuitif, untuk mendapatkan bias kecil dan varian kecil, Anda inginkanVarg( ω ( X) ) menjadi kecil dan Covg( ω ( X) , h ( X) ω ( X) ) menjadi positif. Sayangnya perkiraan ini tidak sempurna (dan secara akurat menentukan varians dan kovarian cenderung sesulit memecahkan masalah awal).
sumber