Channels

Top 100 Trending New

Categories

Crypto Gaming News Entertainment Music Sports Tech Gambling Bots and mini apps Finance Business Education Lifestyle Health Travel Auto Fashion Jobs Dating Deals and shopping

Stickers

Stickers Emoji Themes Wallpapers

Bots Gifts Tools

Currency

$ USD ₽ RUB € EUR ₴ UAH ₸ KZT ₺ TRY zł PLN ₪ ILS AED AED R$ BRL Rp IDR RM MYR ¥ JPY ₩ KRW CN¥ CNY

Theme

Português (Brasil)

Bahasa Indonesia

Беларуская

Українська

Channels Categories Stickers Bots Gifts Tools

Premium Wiki Glossary Legal

Notifications Settings Log in

ULTRA: post #407 — TG.ME

ULTRA@Stats9_Channel · 218 subscribers Open in TelegramOpen

t.me/Stats9_Channel/407

October 20, 2025 193 1

More from this channel

اِسپایک اَند اِسلب (Spike-and-Slab Prior) چیست و چرا در انتخاب متغیر مهم است؟ در بسیاری از مسائل رگرسیونی، با تعداد زیادی متغیر توضیحی مواجه هستیم؛ اما واقعیت این است که فقط بخشی از آن‌ها واقعاً بر پاسخ اثر دارند. اگر همه متغیرها را وارد مدل کنیم: * تفسیر دشوار می‌شود * خطر بیش‌برازش افزایش می‌یابد * و نتیجه ناپایدار خواهد بود روش‌های کلاسیک مانند آزمون فرض یا Lasso معمولاً یک تصمیم «سخت» می‌گیرند: یا متغیر در مدل هست یا نیست. اما عدم‌قطعیت این تصمیم به‌صورت صریح گزارش نمی‌شود. ایده‌ی اصلی Spike-and-Slab دقیقاً از همین‌جا شکل می‌گیرد. در این رویکرد بیزی، «حضور یا عدم حضور یک متغیر» خود به‌عنوان یک متغیر تصادفی مدل‌سازی می‌شود. به‌جای آنکه از قبل مشخص کنیم کدام متغیر مهم است، این تصمیم به داده‌ها واگذار می‌شود. برای هر متغیر، یک سازوکار روشن/خاموش در نظر گرفته می‌شود: * اگر روشن باشد، متغیر اجازه دارد اثر واقعی بر پاسخ داشته باشد * اگر خاموش باشد، اثر آن به سمت صفر فشرده می‌شود نام Spike-and-Slab از شکل پیشین ضرایب می‌آید: * Spike: توزیعی بسیار متمرکز حول صفر که نماینده عدم اثر است * Slab: توزیعی پهن با واریانس بزرگ که امکان اثرگذاری واقعی را فراهم می‌کند مزیت کلیدی این رویکرد آن است که انتخاب متغیر به‌صورت احتمالاتی و تدریجی انجام می‌شود، نه به‌صورت یک تصمیم قطعی. در نتیجه، به‌جای آنکه صرفاً گفته شود یک متغیر در مدل حضور دارد یا خیر، می‌توان احتمال حضور آن در مدل را گزارش کرد. نتیجه چنین رویکردی، مدلی محافظه‌کارانه‌تر، تفسیرپذیرتر و پایدارتر است. Spike-and-Slab تنها زمانی اثر یک متغیر را می‌پذیرد که شواهد داده‌ای واقعاً قوی باشد. برای مخاطب آشنا به مفاهیم آماری احتمالا این سؤال شکل می‌گیرد، pvalue هم دقیقا همین‌‌کار را می‌کند، ولی در جواب باید گفت، اصولا pvalue بر‌اساس یک آزمون فرض شکل می‌گیرد که خود متکی به فرضیات زیادی است و عدم تحقق آن، به معنای کم اعتباری pvalue است. و البته مسائلی از جمله هم‌خطی متغیرها هم به شدت روی مقدار pvalue اثر گذار هستند. مفهوم عدم قطعیت یک مفهوم اساسی برای تببین احتمال است. ترکیب اسپایک اند اسلب با مدل‌های بیزی به خوبی می‌تواند این مفهوم را به روشنی در فرایند انتخاب متغیر، گزارش کند. 137·Dec 23

[media post] 104·Dec 23 نقشه برداری علمی و فرهنگی جهان نگاهی به ۱۲۴ سال جایزه نوبل ۱۹۰۱-۲۰۲۵ 155·Dec 5 در سه‌گانه‌ی ماتریس، به‌ویژه فیلم دوم، وقتی نئو به سراغ اوراکل می‌رود، اوراکل به او می‌گوید: «تمام مسئله انتخاب است. تو قبل از آن‌که به این‌جا بیایی، انتخابت را کرده‌ای. من فقط کمک می‌کنم انتخابت را درک کنی.» اوراکل در این فیلم نقش پیشگو را دارد، دقیقاً مطابق با معنای لغوی واژه‌ی (Oracle). ریشه‌ی این واژه به اسطوره‌شناسی یونان باستان بازمی‌گردد. مردم به کاهن معبد آپولو در شهر دِلفی می‌گفتند (Oracle of Delphi) پیشگویی که برای راهنمایی و پیش‌بینی آینده به او مراجعه می‌کردند. در آمار، نخستین بار در دهه‌ی ۱۹۶۰ روشی به نام «روش دِلفی» معرفی شد. این روش شامل ارسال پرسش‌نامه‌هایی به جمعی از کارشناسان درباره‌ی یک رویداد خاص بود، و سپس با تحلیل پاسخ‌ها و شاخص‌های آماری، نتیجه‌ای منطقی درباره‌ی احتمال وقوع آن رویداد ارائه می‌شد. اما مفهوم «اوراکل» به‌طور خاص توسط آماردان روسی، ولادیمیر کولتشینسکی، وارد ادبیات آماری شد. او نامساوی اوراکل را تعریف کرد که بیان می‌کند اگر مجموعه‌ای از برآوردگرها داشته باشیم و یکی از آن‌ها حقیقت مدل را دقیقاً بیان کند (اما ما از آن بی‌اطلاع باشیم)، می‌توان با نامساوی زیر ارتباطی بین برآوردگر خودمان و برآوردگر اوراکل برقرار کرد: Risk(f, R) = Risk(f*, R) + Penalty در این‌جا f* همان برآوردگر اوراکل است، f برآوردگر ما، R ریسک خطای مدل است و Penalty تِرم جریمه‌ای که ما به مدل اضافه می‌کنیم. واضح است که از f* چیزی نمی‌ٔدانیم ولی می‌توانیم در مورد Penalty صحبت کنیم که بعد‌تر تبدیل می‌شود به یک تابع تجمیعی از پیچیدگی مدل و خطا، با کمینه کردن Penalty می‌توانیم ادعا کنیم که برآوردگر ما عملکردی نزدیک به برآوردگر اوراکل دارد. بعد‌ها ترور هستی و تیبشیرانی از همین ایده برای تبیین تِرم جریمه در مدل لاسو استفاده کرده‌اند. برای درک نامساوی اوراکل شاید این لینک مناسب باشد: https://stats.stackexchange.com/questions/340312/oracle-inequality-in-basic-terms جالب است که بدانید زبان برنامه‌نویسی Delphi که یک محیط توسعه سریع برای برنامه‌های دسکتاپ (ویندوز) ایجاد کرد، با الهام از پیشگوی دِلفی نام‌گذاری شده است (Oracle of Delphi). 195·Nov 20

[media post] 142·Nov 20

An open web layer over public Telegram — search, stats and channel reading right in your browser, no account, no install.

Not affiliated with Telegram FZ-LLC; all data comes from public sources.

Catalog

Top channels Categories Countries Search

Content

Stickers Emoji Gifts Themes Wallpapers

Help

Tools Wiki Glossary Blockchain Safety Premium Advertisers Advertising

© 2026 TG.ME · G.Media network· Updated 08/23/2026 · v0.2.0 · ba12f6a

Privacy Terms DMCA & complaints Report a violation

Similar channels

📃 مقالات اقتصاد، مالی و مدیریت2.6K subscribers

« کانون مهندسی پیشرفت »413 subscribers

پایتون مالی4.9K subscribers

ریسکپای | ‌RiskPy452 subscribers

بورس فقط بنیادی473 subscribers

🥇آکادمی ارشد و دکتری آمار1.2K subscribers

YES Training812 subscribers

ملزومات رشته آمار1.2K subscribers