Parametric statistical inference al

Parametric statistical inference always necessitates some
model assumptions, linearity being among the most convenient.
Although their properties are very well established,
linear models are often unrealistic in applications. Moreover,
mis-specification of the data generation mechanism by
a linear model could lead to large bias. To achieve greater
realism, many other parametric models as well as transformation
methods have been proposed, each with its own limitations.
Nonparametric modelling makes no assumption on the
specification of the model, but it may fail to incorporate
some prior information and the resulting estimator of the
unknown function tends to incur greater variance. Worse
still is the so-called ‘curse of dimensionality’, which renders
the standard nonparametric method practically impotent
when the dimension of the covariate is high.

Kết quả (Việt) 1:

Tham số suy luận thống kê luôn luôn đòi hỏi một sốMô hình giả định, linearity là trong số thuận tiện nhất.Mặc dù tính chất của họ rất tốt được thành lập,Mô hình tuyến tính thường là không thực tế trong các ứng dụng. Hơn nữa,MIS-đặc điểm kỹ thuật của dữ liệu thế hệ cơ chế bởimột mô hình tuyến tính có thể dẫn đến xu hướng lớn. Để đạt được lớn hơnchủ nghĩa hiện thực, rất nhiều khác tham số mô hình cũng như chuyển đổiphương pháp đã được đề xuất, với những hạn chế của riêng mình.Mô hình nonparametric làm cho giả định không có trên cácđặc điểm kỹ thuật của mô hình, nhưng nó có thể không phải kết hợpmột số thông tin trước và công cụ ước tính kết quả của cácchức năng không rõ có xu hướng gánh chịu lớn hơn phương sai. Tồi tệ hơnvẫn là cái gọi là 'lời nguyền của chiều', mà ámphương pháp tiêu chuẩn nonparametric thực tế bất lựcKhi kích thước của covariate là rất cao.

Kết quả (Việt) 2:

Suy luận thống kê Parametric luôn luôn đòi một số
giả thiết mô hình, độ tuyến tính là một trong những thuận lợi nhất.
Mặc dù tài sản của họ đang rất tốt thành lập,
mô hình tuyến tính thường không thực tế trong các ứng dụng. Hơn nữa,
mis-đặc điểm kỹ thuật của các cơ chế sinh dữ liệu bằng
một mô hình tuyến tính có thể dẫn đến sai lệch lớn. Để đạt được lớn hơn
hiện thực, nhiều mô hình tham số khác cũng như chuyển đổi
các phương pháp đã được đề xuất, đều có những hạn chế riêng của nó.
Mô hình phi tham số làm cho không có giả định về các
đặc điểm kỹ thuật của mô hình, nhưng nó có thể không kết hợp
một số thông tin trước và ước lượng kết quả của các
chức năng không rõ xu hướng phát sinh sai lớn hơn. Tệ hơn nữa
vẫn là cái gọi là "lời nguyền của chiều ', điều này làm cho
các phương pháp phi tham tiêu chuẩn thực tế bất lực
khi kích thước của covariate là cao.