Осталось 2 дня, чтобы успеть зарегистрироваться на очное посещение форума!
Иначе затем придется стоять в очереди (хотя для кого-то это может быть свои отдельным удовольствием) 😁

Лекция Насти понравилась (хоть и не со всем согласен, т.к. образование сложнее, чем просто поменять парадигму), но с этого слайда я прям в голос 🤣

ВАШИ АРГУМЕНТЫ НЕСОСТОЯТЕЛЬНЫ
⠀
В комментариях под постом про смещение оценки Матвей напомнил, что еще бывает её состоятельность ☝🏻
⠀
❗Состоятельность/согласованность оценщика (consistent of estimator) - свойство метода получения оценок, характеризующее, что при увеличении выборки вероятность оценки сходИтся к истинной равна 1❗
⠀
Запутанно? Будем разматывать🕵🏻‍♂️
⠀
Мы хотим измерить рост людей страны. Мы знаем, что нам удобно посчитать среднее арифметическое. И этот показатель (среднее арифметическое) - это оценщик (т.е. метод получения оценки, т.е. конкретного значения). При этом взять всю популяцию достаточно сложно (но нам бы очень хотелось). И мы знаем, что у популяции есть точечное значение (т.е. истинное среднее значение роста) 🙃
По своим возможностям мы собираем выборку из популяции (представим, что репрезентативную). Рассчитываем среднее значение роста в выборке (оно навряд ли будет такое же как в популяции из-за смещения, т.е. наша оценка смещенная). Но если мы будем увеличивать размер выборки (вдруг нам дадут на это ресурсы), то наша оценка будет постепенно становится все более похожей на истинное значение среднего роста в популяции. Т.е. вероятность получить разницу между истинной и нашей оценками равной 0 приближается к 1 😱
⠀
Постарался показать как это выглядит на графике (рис.1). Формулой это обозначается как на рис.2 🫠
⠀
Такой оценщик мы называет состоятельным (или согласованным, consistent estimator)💪🏻
⠀
Зачем это знать? Чтобы понимать, нужно ли нам стремиться к увеличению выборки, чтобы увеличить точность (грубо) своей оценки.
⠀
Характеристики (не/смещение и не/состоятельность) есть у каждого оценщика (среднее, доверительные интервалы и т.д.)
Он может быть смещенным, но состоятельным; а может наоборот😶‍🌫️
⠀
Я попытался найти примеры несостоятельных оценщиков в медицине, но кроме совпадения значения(-ий) одного (или группы) пациента(-ов) с истинной оценкой (E(x1) = µ), продолжительности заболевания и показателей опросников, ничего не нашел (возможно в комментариях помогут и смогут привести примеры таких оценщиков) 👋🏻

#ebm_statistica #consistent

@ebm_base

Второе. Состоятельностей вообще три главных: сильная (aka сходимость почти наверняка), слабая (сходимость в вероятности) и Lp (без комментариев). Но это все глубокая теория, на практике все довольствуются слабой состоятельностью.Это ключевое свойство, без него не о чем на практике говорить. Несостоятельная оценка для клинициста = просто шум и рандомное число. В медицинской литературе обычно именно несостоятельные оценки называют biased. С точки зрения труЪ матстата это некорректно, но этот поезд мы уже не развернем.

Зафиксируем: для клиницистов biased estimate = хреновая оценка, которое оценивает вообще не то, что надо, а что-то другое, поэтому их надо избегать.

Как понять, что такое состоятельность, и зачем она вообще нужна?

Итак, у нас есть популяция, в этой популяции есть среднее -- например, средний рост. Померять всех людей мы не можем, поэтому мы берем выборку из популяции и на основании этой выборки пытаемся оценить среднее во всей популяции. Конкретный способ как из n измерений в выборке получаем одно число -- оценку параметра -- называется estimator или, как называет его Ник, оценщик. В случае со средним это обычно среднее арифметическое. Но могут быть и другие: например, trimmed среднее, когда вы удалили из выборки выбросы.

В чем проблема: поскольку измерения в выборке -- случайные величины, то и результат, который нам выдает оценщик -- собственно сама оценка -- тоже случайная величина. Внимание: случайная величина не значит "левая, рандомная хрень; шум". Это значит, что у нас есть некоторая "ошибка измерения". Среднее в выборке не будет равно среднему в популяции (я гарантирую это).

Все последующие танцы сводятся к тому, как ведет себя вот эта "ошибка измерения", разница между реальным значением в популяции и тем, что вам говорит ваш оценщик.

Мы можем задаться вопросом: а как ведет себя ошибка измерения при увеличении размера выборки? С какой вероятностью она будет "большой"? Суть (слабой) состоятельности в том, что с увеличением объема выборки вероятность того, что ошибка будет "большой" сходится к нулю. То есть, на достаточно большой выборке вероятность того, что оценка достаточно близка к реальному значению, достаточно высока. Состоятельность важна потому, что для нас на практике это значит, что точечным оценкам можно верить; если оценщик состоятельный, то точечные оценки с большой вероятностью близки к правде -- ну или их можно туда затолкать, увеличив выборку.

Иными словами, состоятельность говорит о том, что между тем, что делает оценщик, и реальным параметром есть какая-то связь, что оценщик хотя бы пытается попасть в реальный параметр. Состоятельность -- это то, что делает оценку оценкой в клиническом смысле.

Вчера под постом о состоятельности мне указали на мое место неточности (я сам попросил, т.к. не был уверен, что верно понял)
Получилось очень продуктивно
Спасибо!

А если вы хотите прочитать полную версию, что переходите в чат (там продолжение)

Ну а кто говорил, что задача ChatGPT искать правду 😁
Ее цель, чтобы слова подходили (ни хорошо, ни плохо, просто это особенность)

"Правды больше нет, нам она и не нужна"

Когда мне говорят, что людям интересно развиваться и узнавать новое, я могу показать статистику после "умных" постов (само собой это не является доказательством каузации)

Побуду немного цитатником ВК

Люди в своем большинстве живо интересуются всем на свете, за исключением того, что действительно стоит знать.

Будь собой. Прочие роли уже заняты.

Общественное мнение торжествует там, где дремлет мысль.

Тому, что действительно нужно знать, никто не научит.

Я слышал столько клеветы в ваш адрес, что у меня нет сомнений: вы прекрасный человек!

Автор цитат Оскар Уайльд

А ещё напоминаю, где я буду скоро 😉
Только теперь уже регистрация на месте

Сайт мероприятия

Чем дальше погружаюсь, тем больше понимаю, что ничего не понимаю…
Отгадайте в чем разница между верхними и нижними графиками

подготовка к презентации дает волшебный пинок, чтобы разобраться с кастомизацией DAG (о том что это можно почитать тут)