Im Juni haben wir darüber gesprochen 2 Kalibrierungsvarianten:
- Nachschichtung
- „Logit Shift“ oder „Intercept Correction“: Kalibrieren Sie unsere Schätzungen der Regressionen E(Y|X), um Daten über E(Y) zu aggregieren. (Rosenman et al. 2023, Ghitza und Gelman 2020, Ghitza und Gelman 2013Und Kuriwaki et al. 2024.)
Im August haben wir genommen Zweite Portion der Logit-Schichtkonzentrieren sich auf multinomiale Ergebnisse.
Jetzt nehmen wir die dritte Portion und konzentrieren uns darauf multivariate Ergebnisse.
Ich bin inspiriert von Will Marble Und Josh Clinton‚S neues Papier Und unsere Diskussion in den Kommentaren: Kalibrieren Sie unsere Schätzungen von p(y_1, y_2 | X), um Daten über E(y_1) zu aggregieren.
Wie Marble und Clinton schreiben:
Unser Artikel basiert auf Methoden zur Kalibrierung modellbasierter Schlussfolgerungen auf bekannte Populationsgrößen … einem sogenannten „Logit-Shift“ … Wir erweitern diesen Ansatz, indem wir Modelle mit mehreren korrelierten Ergebnissen schätzen – einige mit bekannter Grundwahrheit und andere ohne …
wir könnten zuerst p(y_1 | X) anpassen und seine Schnittpunktverschiebung durchführen. Passen Sie dann p(y_2 | y_1, X) an.
Marble und Clinton nennen dies „Chained Calibrated“. FrauP„Sie stellen fest, dass mein Beispiel möglicherweise schwer zu verallgemeinern ist:
Die Reihenfolge der Modellierung ist wahrscheinlich folgenreich und schwer systematisch zu wählen – insbesondere, wenn es mehr als ein einzelnes Ergebnis mit Groundtruth-Margen gibt.
Und es sieht nicht so intestine aus wie ihre Methode „Multivariate Kalibrierung“:
Was läuft mit Chained Calibrated MrsP schief?