КТО ТУТ ГОЛУБОЙ?
⠀
На широких просторах в интернете можно встретить такую фразу "OLS is BLUE"
Красивое? Показываю 🕵🏻♂️
⠀
OLS - это метод наименьших квадратов. Если грубо, то это даёт возможность оценить параметры линейной регрессии (коэффициенты b0, b1 и т.д., которые мы хотим получить в результатах, в табличке, рис.1) 😎
⠀
Но сегодня мы не об МНК поговорим, а о том, что такое быть BLUE (и почётно ли это?) 🤔
⠀
❗BLUE - best linear unbiased estimator (лучший линейный несмещенный оценщик)❗
⠀
Обсудим каждый компонент.
⠀
1) Best. Ну лучший и лучший. Главное, что лучший. 💸 Но в своем классе (линейных несмещенных оценщиков) при соблюдении определенных условий/допущений (нет автокорреляции, есть гомоскедастичность ошибок) {можно поправить мою неграмотность в этом месте}. 🫠
⠀
2) Linear. Линейность, ну тут вроде логично все. Есть же линяя на графике регрессии, вот из-за нее и линейность. 🤡
Но это линейность модели, а мы говорим о линейности оценщика. Пока мне сложно придумать как это объяснить простыми словами (биостатистики, HELP! Вдруг врачи решат это прочитать), но прикреплю скриншот с Вики (рис.2). 🧐
⠀
3) Unbiased. Несмещенность. Я пытался немного про это написать тут (а лучше заглянуть в комментарии, где Матвей дал ценные комментарии) и тут репосты Матвея и Максима (отмазался? 😀). Т.е. мы можем сказать, что мат ожидание разницы между точечной оценкой и реальным значение параметра в ГС равно 0. ☝🏻
⠀
4) Estimator. Оценщик. Смешно, но тут я немного в замешательстве, как его обозначить 🤷🏻♂️. Это правило/формула/статистика/секретныйшифр/призывдьявола. Но этот инструмент на основе данных позволяет нам получить значение оценки (estimate), которое можно использовать для какой-либо цели.
⠀
Круто ли, когда специалисты говорят "OLS is BLUE"?. Для МНК, конечно, это круто, но при соблюдении определенных допущений (как везде и всегда в статистике). ☝🏻
⠀
Предлагаю в комменты написать какие-нибудь другие фразы, мнемоники из статистики 😁
⠀
На широких просторах в интернете можно встретить такую фразу "OLS is BLUE"
Красивое? Показываю 🕵🏻♂️
⠀
OLS - это метод наименьших квадратов. Если грубо, то это даёт возможность оценить параметры линейной регрессии (коэффициенты b0, b1 и т.д., которые мы хотим получить в результатах, в табличке, рис.1) 😎
⠀
Но сегодня мы не об МНК поговорим, а о том, что такое быть BLUE (и почётно ли это?) 🤔
⠀
❗BLUE - best linear unbiased estimator (лучший линейный несмещенный оценщик)❗
⠀
Обсудим каждый компонент.
⠀
1) Best. Ну лучший и лучший. Главное, что лучший. 💸 Но в своем классе (линейных несмещенных оценщиков) при соблюдении определенных условий/допущений (нет автокорреляции, есть гомоскедастичность ошибок) {можно поправить мою неграмотность в этом месте}. 🫠
⠀
2) Linear. Линейность, ну тут вроде логично все. Есть же линяя на графике регрессии, вот из-за нее и линейность. 🤡
Но это линейность модели, а мы говорим о линейности оценщика. Пока мне сложно придумать как это объяснить простыми словами (биостатистики, HELP! Вдруг врачи решат это прочитать), но прикреплю скриншот с Вики (рис.2). 🧐
⠀
3) Unbiased. Несмещенность. Я пытался немного про это написать тут (а лучше заглянуть в комментарии, где Матвей дал ценные комментарии) и тут репосты Матвея и Максима (отмазался? 😀). Т.е. мы можем сказать, что мат ожидание разницы между точечной оценкой и реальным значение параметра в ГС равно 0. ☝🏻
⠀
4) Estimator. Оценщик. Смешно, но тут я немного в замешательстве, как его обозначить 🤷🏻♂️. Это правило/формула/статистика/секретныйшифр/призывдьявола. Но этот инструмент на основе данных позволяет нам получить значение оценки (estimate), которое можно использовать для какой-либо цели.
⠀
Круто ли, когда специалисты говорят "OLS is BLUE"?. Для МНК, конечно, это круто, но при соблюдении определенных допущений (как везде и всегда в статистике). ☝🏻
⠀
Предлагаю в комменты написать какие-нибудь другие фразы, мнемоники из статистики 😁
Мы живём в интересном мире, но в конкретной реальности.
В рамках тестирования гипотез формулируется нулевая гипотеза (часто об отсутствии эффекта). И мне кажется, она чем-то похожа на кота Шрёдингера - пока мы не откроем коробку, не узнаем статус питомца.
Но при этом всём, мы с вами живём лишь в одной реальности, где нулевая гипотеза либо верна, либо неверна. Однако мы этого не знаем… И для этого проводим исследование, где тестируем насколько наши данные соответствуют нулевой гипотезе (в лучшем случае еще контролируем вероятности ошибок)
А теперь вернемся к графику (тут по 10000 симуляций на каждый MD при двух группах rnorm(n = 100)). По сути на нем мы можем увидеть как две реальности соприкасаются 😁
При true MD (истинная разница средних) равным 0 (начало графика, конкретная точка) нулевая гипотеза верна (я это знаю, т.к. сам это контролирую). А значит процент отклонений Н0 - это вероятность альфы (ложно-положительный результат).
Но как только true MD ≠ 0 (например, + 0,0001), то Н0 уже неверна (я это знаю). И теперь процент отклонений - это мощность (истинно-положительный).
И на разных порогах p-value в MD = 0 мы видим соответствующий процент отклонений Н0. А затем эти проценты растут (растет мощность), но при разных порогах скорость набора мощности разная. Как это увидеть? Можно построить распределение p-value для разных MD и увидеть, как оно смещается в сторону к 0 и логично, что при разных порогах разное количество нулевых гипотез надо отклонить.
Но для меня самый забавный именно момент с соприкосновением реальностей))
Однако есть небольшой нюанс! True MD = 0,0001 можно округлить до 0, а значит наша точка верной нулевой гипотезы превращается потихоньку в линию 😱 Главное не переборщить с округлением, а то можно получить мыло
Дополнительно я очень советую прочитать эту статью, написано интересно и несложно
В рамках тестирования гипотез формулируется нулевая гипотеза (часто об отсутствии эффекта). И мне кажется, она чем-то похожа на кота Шрёдингера - пока мы не откроем коробку, не узнаем статус питомца.
Но при этом всём, мы с вами живём лишь в одной реальности, где нулевая гипотеза либо верна, либо неверна. Однако мы этого не знаем… И для этого проводим исследование, где тестируем насколько наши данные соответствуют нулевой гипотезе (в лучшем случае еще контролируем вероятности ошибок)
А теперь вернемся к графику (тут по 10000 симуляций на каждый MD при двух группах rnorm(n = 100)). По сути на нем мы можем увидеть как две реальности соприкасаются 😁
При true MD (истинная разница средних) равным 0 (начало графика, конкретная точка) нулевая гипотеза верна (я это знаю, т.к. сам это контролирую). А значит процент отклонений Н0 - это вероятность альфы (ложно-положительный результат).
Но как только true MD ≠ 0 (например, + 0,0001), то Н0 уже неверна (я это знаю). И теперь процент отклонений - это мощность (истинно-положительный).
И на разных порогах p-value в MD = 0 мы видим соответствующий процент отклонений Н0. А затем эти проценты растут (растет мощность), но при разных порогах скорость набора мощности разная. Как это увидеть? Можно построить распределение p-value для разных MD и увидеть, как оно смещается в сторону к 0 и логично, что при разных порогах разное количество нулевых гипотез надо отклонить.
Но для меня самый забавный именно момент с соприкосновением реальностей))
Однако есть небольшой нюанс! True MD = 0,0001 можно округлить до 0, а значит наша точка верной нулевой гипотезы превращается потихоньку в линию 😱 Главное не переборщить с округлением, а то можно получить мыло
Дополнительно я очень советую прочитать эту статью, написано интересно и несложно
1🔥7
Просто бомбический подарок от ребят из ЖК 🔥спасибо огромное! ❤️
5❤24🔥16
В этот раз набор в ЖК будет в 2 потока
1-е - приняты (ищите письмо на почте с указанием, что нужно сделать)
2-е - еще одно собеседование (с вами свяжутся помощники, укажут что делать), по итогом которого будет отобрано еще несколько конкурсантов в клуб
Остальные, к сожалению, не прошли уже точно
1-е - приняты (ищите письмо на почте с указанием, что нужно сделать)
2-е - еще одно собеседование (с вами свяжутся помощники, укажут что делать), по итогом которого будет отобрано еще несколько конкурсантов в клуб
Остальные, к сожалению, не прошли уже точно
❤18
Уважаемые коллеги, здравствуйте.
Хотим поделиться с Вами нашими планами до конца года.
➊ Во-первых, мы планируем сделать отдельные лекции по следам пройденного симпозиума ННАДМ по систематическим обзорам и метаанализам. Пользуясь случаем, Академия хочет поблагодарить НИИ КПССЗ в лице Ляпиной Ирины Николаевны и Кашталапа Василия Васильевича за возможность организовать целый сипозиум, посвященный вопросу проведения и критической оценки СО и МА.
Вы уже сейчас можете послушать симпозиум полностью в нашей группе в ВК. По технической причине не удалось записать звук на первых минутах симпозиума. Приносим свои извинения.
➋ Во-вторых, Марцевич Сергей Юрьевич, Марапов Дамир Ильдарович и Навасардян Артур Рубенович любезно согласились поделиться своими презентациями, которые они продемонстрировали на мероприятии. От имени нашей Академии, благодарим коолег за интересные выступления и взаимодействие.
➌ В-третьих, в ближайшее время мы планируем анонсировать большое мероприятие, которое пройдет в коллаборации ННАДМ с Курским Государственным Медицинским Университетом. Мероприятие планируется в онлайн-формате и состоитмя 𝟲 декабря. Формат запланирован в режиме быстрых сессий (12 минут на доклад). Отдельное внимание заслуживает пул спикеров, которые согласились выступить на этом мероприятии (Лобастов К.В., Марапов Д.И., Шадрина А.С., Бурлов Н.Н., Макарова Д.Д., Сытьков В.В., Жердев Н.Н. и др). Будут освещены актуальные темы современной доказательной медицины.
➍ Ну и последний по списку, но не по значимости: очное мероприятие, которое мы планируем провести 𝟭𝟰 декабря в Москве согласно вашим пожеланиям. В рамках мероприятия мы пригласим экспертов из BigPharma, которые расскажут о структуре фармацевтической компании, подразделениях, функциях и необходимых навыках и компетенциях на тех или иных позициях. Кроме того, будут приведены вилки зарплатных ожиданий согласно текущей конъектуре фармацевтического рынка. Данное мероприятие будет платным.
Всем успешного завершения года!
Хотим поделиться с Вами нашими планами до конца года.
➊ Во-первых, мы планируем сделать отдельные лекции по следам пройденного симпозиума ННАДМ по систематическим обзорам и метаанализам. Пользуясь случаем, Академия хочет поблагодарить НИИ КПССЗ в лице Ляпиной Ирины Николаевны и Кашталапа Василия Васильевича за возможность организовать целый сипозиум, посвященный вопросу проведения и критической оценки СО и МА.
Вы уже сейчас можете послушать симпозиум полностью в нашей группе в ВК. По технической причине не удалось записать звук на первых минутах симпозиума. Приносим свои извинения.
➋ Во-вторых, Марцевич Сергей Юрьевич, Марапов Дамир Ильдарович и Навасардян Артур Рубенович любезно согласились поделиться своими презентациями, которые они продемонстрировали на мероприятии. От имени нашей Академии, благодарим коолег за интересные выступления и взаимодействие.
➌ В-третьих, в ближайшее время мы планируем анонсировать большое мероприятие, которое пройдет в коллаборации ННАДМ с Курским Государственным Медицинским Университетом. Мероприятие планируется в онлайн-формате и состоитмя 𝟲 декабря. Формат запланирован в режиме быстрых сессий (12 минут на доклад). Отдельное внимание заслуживает пул спикеров, которые согласились выступить на этом мероприятии (Лобастов К.В., Марапов Д.И., Шадрина А.С., Бурлов Н.Н., Макарова Д.Д., Сытьков В.В., Жердев Н.Н. и др). Будут освещены актуальные темы современной доказательной медицины.
➍ Ну и последний по списку, но не по значимости: очное мероприятие, которое мы планируем провести 𝟭𝟰 декабря в Москве согласно вашим пожеланиям. В рамках мероприятия мы пригласим экспертов из BigPharma, которые расскажут о структуре фармацевтической компании, подразделениях, функциях и необходимых навыках и компетенциях на тех или иных позициях. Кроме того, будут приведены вилки зарплатных ожиданий согласно текущей конъектуре фармацевтического рынка. Данное мероприятие будет платным.
Всем успешного завершения года!
Vk
VK | Welcome!
VK is the largest European social network with more than 100 million active users. Our goal is to keep old friends, ex-classmates, neighbors and colleagues in touch.
6🔥9👍1
Стало только актуальнее
YouTube
Комедийная короткометражка «Альтернативная математика» | Озвучка DeeAFilm
Социальный короткометражный фильм Дэвида Мэддокса (David Maddox) рассказывает о гипертрофированной толерантности и раздутии проблем из ничего, что так присуще современным СМИ.
На инциденте, произошедшим с учителем математики начальной школы видно, как абсурдная…
На инциденте, произошедшим с учителем математики начальной школы видно, как абсурдная…
🔥7