+ Szabadalom +

+ Ötletistálló +

Erre igazán büszkék vagyunk! close

+ MY-X DVD +

2021.XII.
Sikeres PhD-védés a My-X team támogatásával!

2021.XI.
A MY-X team-et is képviselve ETDK-szekciógyőzelem a KJE-n! Irány az OTDK!

2020.XI.
A MY-X team-et is képviselve BME ETDK-szekciógyőzelem! Irány az OTDK!

2020.XI.
A MY-X team új tagjai (a BPROF-képzés I. éves Hallgatói) ETDK-I. és II. helyezést, ill. 2 OTDK-továbbjutást értek el!

2020.III-VI.
Angolul oktató avatárok a QuILT-ben!

2020.VI.
Már angolul is gyűlnek az egyre minőségibb publikációk a nemzetközi képzések keretében!

2019.IX.
A Liebig-elv felfedezése a közlekedésben!

2018.IX.
Sikeres részvétel a III. Gazdálkodás és menedzsment tudományos konferencián, avagy versenyképesség és innováció, mint kulcsszavak és a 2DM-játék!

2018.VI.
Díjak az MMO 2018 konferenciáról (a szekció legjobb előadása a 2DM-ről, a szekció legjobb publikációja a Rosling-animációkról)!



A MIAÚ immár 25­+ éve áll a Köz szolgálatára!
MATARKA-nézet

Üzenet az Olvasóhoz:
a MIAÚ virtuális hasábjain található gondolatokat
pl. Ramanudzsan feljegyzéseihez hasonlóan illik értelmezni (akarni):
a gondolatoknak a minősége/potenciálja az értékképző,
s nem az, hol jelennek meg ezek a gondolatok...

Ami másnak pl. a Facebook: MYX-team-hírek

(Utolsó módosítás: 2015.VII.19.14:08 - MIAÚ-RSS)

Az attribútumok valódi értékének speciális összefüggései parallel termelési függvények generálásakor, (avagy regresszió helyett lépcsős függvények parciális korrelációi)

Vezércikk: 2021. Június (MIAU No. 274.)
(Előző cikk: MIAU No. 273.)

Kulcsszavak: regresszió, additivitás, multiplikativitás, hatás, hasonlóságelemzés, parciális korreláció

Kivonat: A laikus modellező azt vélelmezi, hogy adott következményváltozó (Y) modellezése annál sikeresebb, minél (az Y kapcsán) több magas pozitív korrelációt mutató független változó (Xi) épül be egy modellbe. Vagyis a nagy negatív korrelációjú attribútumok quasi a legértéktelenebbek. A hajósok is azt hitték évszázadokig, hogy csak hátszéllel lehet előre haladni – míg nem rájöttek a megfelelő technikákra. A regressziós modellekre, melyek évtizedek óta a modellezés gerincét képezték, sajnos igaznak tűnik a gyanú, hogy kevésbé tudnak mit kezdeni a nagyobb negatív korrelációjú építőelemekkel, mint a pozitív korrelációjúakkal. A hasonlóságelemzésre azonban ez már nem igaz. Sőt, a hasonlóságelemzés dupla-attribútumkészletű modelljei képesek a káros polinomizációt is domesztikálni. A hasonlóságelemzés irány-preferenciákat tartó termelési függvényei kapcsán pedig bizonyítható, hogy a primer termelési függvény, vagyis a rendelkezési álló attribútumok látszólag legjavát kiválogató első termelési függvény tény vs. becslés korrelációja meghaladható, ha lépésről lépésre minden attribútumot bevonunk több párhuzamos termelési függvényvariánsba, a már bevont attribútumok fokozatos kizárása mellett. Az így előálló alternatív becslések, mint független változók alapján nem csak magasabb korreláció érhető el, mint a primer termelési függvény esetén, hanem a primer termelési függvény attribútumainak elhagyásával, vagyis a primer becslés elhagyásával is magasabb lehet még mindig a korreláció, mint a primer termelési függvény ún. csak kékvérű attribútumait felhasználva. Mindemellett a primer termelési függvény előállítása során legkevésbé értékesnek tűnő attribútumokból a kékvérű attribútumok számánál akár kevesebb attribútummal is el lehet érni a primer termelési függvény korrelációs szintjét, ill. ennek tetszőleges közelségét a mindenkori párhuzamos becslések dupla-attribútumos modelljeivel. Következésképpen: az attribútumok értékét ezek felhasználásának módja határozza meg, s nem a korreláció Xi és Y között: vagyis grafitporból is lehet tehát gyémántot préselni. Mindezen additív modellezést feltételező gondolatok ellenpontjaként értelmezendők a multiplikatív regressziós modellek, mely kapcsán, ha egyetlen egy regressziós együttható is nulla lenne, akkor a szorzáslánc eredménye mindenkor nulla lenne, ami olyan Y esetén, ahol nincs nulla érték, téves becslés lenne. Így a multiplikatív modellek esetén formálisan általában véve nincs is kieső attribútum, azaz nincs fontosabb és kevésbé fontos attribútum – mert minden mindennel összefügg. A modellezésről alkotott naiv hitek elsődleges cáfolatának bizonyítása egyetlen egy véletlen-jellegű OAM alapján végzett modellezési lépéssor esetén azonnal bizonyítékként értelmezendő, ha egyetlen egyszer is a naiv hiedelmekkel ellentétes trendek, arányok, viszonyszámok érhetők tetten – már pedig ez az egyediség egyetlen egy kísérletből, azaz azonnal előállítható volt. A benchmark tehát nem más, mint a naiv hiedelmekre jellemző trendek, arányok, viszonyszámok egyedi értéke, vagy ezek halmaza. A benchmarktól való eltérés hermeneutikája triviális: ha nem a benchmark a szélsőérték, akkor a naiv hiedelmek per definitionem tévesek. A naiv hiedelmek tévességének/korlátozottságának bizonyítása kikényszeríti, hogy a jövőben semmilyen attribútum ne legyen elhanyagolható csak úgy. A primer termelési függvényekre alapozó hermeneutikák abban az esetben, ha más módszertannal a tény vs. becslés korreláció quasi tetszőleges magasra emelhető, vagyis előállhat a tény=becslés állapot minden objektumra, a STEP-IX módszertan bevonásával újra értelmezhetővé teszi a tényadatok becsülhetőségének (fuzzy-jellegű) árnyalatait. S végül a parciális korreláció fogalma az a logikai magyarázat, mely a naiv elvárások és a látszólag ennek ellentmondó bizonyítékok között megteremti a kapcsolatot. A parciális korreláció, melyet lépcsős függvények képesek kezelni, a regressziók nem, lehetővé teszi, hogy egy-egy attribútumnak csak részletei hassanak a modellekben, ami a legnagyobb (teljes) negatív korrelációt is átfordíthatja akár a legnagyobb pozitív (parciális) korrelációba. Tovább (DOC) *** Tovább (PDF)


Észrevételeit érdeklődéssel várjuk email-ben!

((Vissza))
miau.my-x.hu
myxfree.tool
rss.services