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