Menjelaskan metode generalisasi momen kepada non-ahli statistik

11

Bagaimana saya menjelaskan Metode Generalized saat-saat dan bagaimana hal itu digunakan untuk non-ahli statistik?

Sejauh ini saya akan membahas: ini adalah sesuatu yang kami gunakan untuk memperkirakan kondisi seperti rata-rata dan variasi berdasarkan sampel yang telah kami kumpulkan.

Bagaimana saya menjelaskan bagian di mana Anda memperkirakan vektor parameter dengan meminimalkan varians?

pengguna3084006
sumber
1
Mengapa yang bukan ahli statistik perlu tahu tentang meminimalkan varians? Apakah orang ini memahami metode estimasi momen yang normal? Apa yang perlu mereka lakukan dengan pengetahuan yang ingin Anda sampaikan?
one_observation

Jawaban:

1

Dalam metode klasik momen Anda menentukan kondisi momen untuk setiap parameter yang perlu Anda perkirakan. Rangkaian persamaan yang dihasilkan kemudian "baru diidentifikasi". GMM bertujuan untuk menemukan solusi bahkan jika sistem tidak diidentifikasi secara adil. Idenya adalah untuk menemukan solusi jarak minimum dengan menemukan estimasi parameter yang membawa kondisi momen sedekat mungkin dengan nol.

Mike
sumber
5
Audiens non-statistik akan menjadi panik jika Anda menggunakan kata-kata teknis seperti ini - "kondisi saat", "hanya diidentifikasi", dll. Semakin mudah Anda membuat penjelasan, semakin mudah bagi mereka untuk mencernanya. Saya akan mulai dengan menjelaskan arti dari parameter kemiringan dalam satu regresi variabel sebagai tingkat perubahan dan kemudian menyarankan bahwa audiens menggeneralisasikannya ke model multivariat. Ini membuat semuanya menjadi imajinasi mereka tanpa Anda terperosok dalam jenis detail yang benar-benar dapat menggagalkan apa yang Anda coba komunikasikan.
Mike Hunter
1

Ada beberapa metode untuk memperkirakan parameter dari suatu model. Ini adalah bagian inti dari statistik / ekonometrika. GMM (Generalized Method of Moments) adalah salah satu metode seperti itu dan lebih kuat (secara statistik dan harfiah [untuk pemirsa non-statistik]) daripada beberapa yang lain.

Seharusnya intuitif bahwa proses estimasi melibatkan seberapa baik model Anda cocok dengan data. GMM menggunakan lebih banyak kondisi daripada model biasa saat melakukan ini.

(Anda telah menyebutkan rata-rata dan varian. Saya berasumsi itu adalah ide yang akrab). Rata-rata dan Varians adalah beberapa metrik dasar data. Seseorang memodelkan data untuk memahami sifatnya. Sempurna (model hipotetis) akan menjelaskan data melalui dan melalui.

Mari kita ambil contoh pemodelan ketinggian dari semua orang di gedung. Ada dua metrik rata-rata dan varians. Rata-rata adalah metrik level pertama, varians adalah metrik level kedua. Rata-rata menambahkan semua ketinggian dan membaginya dengan jumlah orang. Ini memberi tahu Anda sesuatu seperti 11 kaki konyol. 5 kaki masuk akal.

Sekarang pertimbangkan varians, itu akan memberi tahu lapisan informasi tambahan: 6 kaki tidak konyol (berdasarkan rata-rata) tetapi seberapa besar kemungkinan ketinggian orang menjadi 6 kaki. Jika bangunan itu adalah bangunan sekolah menengah, kemungkinannya kecil bukan? Jika gedung kantor lebih mungkin.

Ini adalah contoh dari sesuatu yang secara teknis disebut momen data (setelah menjelaskan rata-rata dan varians, haruskah nyaman?). Model seseorang harus dilakukan dengan baik jika memenuhi kondisi rata-rata dan varian yang diamati. Di luar rata-rata dan varians, ada beberapa metrik lainnya.

GMM cocok dengan model untuk metrik (momen) yang lebih tinggi ini. Metode yang lebih sederhana memenuhi metrik yang lebih kecil. Nama seperti yang disarankan adalah metode yang digeneralisasi - ia mencoba untuk menjadi se-umum mungkin.

pembisik
sumber