دانلود کتاب Partial identification of probability distributions

ترجمه فارسی توضیحات (ترجمه ماشینی)

شناسایی جزئی توزیع های احتمال

داده های نمونه به تنهایی هرگز برای نتیجه گیری در مورد جمعیت ها کافی نیست. استنتاج همیشه مستلزم فرضیاتی در مورد جامعه و فرآیند نمونه گیری است. تئوری آماری چیزهای زیادی را در مورد اینکه چگونه قوت مفروضات بر دقت تخمین نقطه‌ای تأثیر می‌گذارد، نشان داده است، اما در مورد اینکه چگونه بر شناسایی پارامترهای جمعیت تأثیر می‌گذارد، بسیار کمتر گفته شده است. در واقع، تصور شناسایی به عنوان یک رویداد دوتایی – یک پارامتر یا مشخص است یا نه – و شناسایی نقطه به عنوان پیش شرط استنتاج، امری عادی بوده است. با این حال، با استفاده از داده‌ها و مفروضاتی که تا حدی پارامترهای جمعیت را شناسایی می‌کنند، فضای بسیار زیادی برای استنتاج پربار وجود دارد. این کتاب توضیح می دهد که چرا و نشان می دهد که چگونه. این کتاب به شیوه ای دقیق و کامل عناصر اصلی تحقیق چارلز مانسکی در مورد شناسایی جزئی توزیع های احتمال را ارائه می دهد. یک تمرکز، پیش‌بینی با داده‌های از دست رفته یا متغیر است. دیگری تجزیه مخلوط های محدود، با کاربرد در تجزیه و تحلیل نمونه برداری آلوده و استنتاج اکولوژیکی است. سومین تمرکز اصلی، تحلیل پاسخ درمانی است. موضوع خاص مورد مطالعه هر چه باشد، ارائه یک مسیر مشترک را دنبال می کند. نویسنده ابتدا فرآیند نمونه‌گیری برای تولید داده‌های موجود را مشخص می‌کند و می‌پرسد چه چیزی در مورد پارامترهای جمعیت با استفاده از شواهد تجربی به تنهایی می‌توان آموخت. سپس او می پرسد که اگر مفروضات مختلفی اعمال شود، چگونه مناطق شناسایی (معمولا) تعیین شده برای این پارامترها کوچک می شوند. رویکرد استنباط که در سراسر کتاب وجود دارد، عمداً محافظه کارانه و کاملاً ناپارامتریک است. تجزیه و تحلیل ناپارامتریک محافظه کارانه محققان را قادر می سازد تا از داده های موجود بدون تحمیل فرضیات غیرقابل دفاع بیاموزند. چارلز اف. مانسکی، استاد هیئت امنای دانشگاه نورث وسترن است. وی نویسنده کتاب «مسائل شناسایی در علوم اجتماعی» و روش‌های تخمین آنالوگ در اقتصاد سنجی است. او عضو آکادمی علوم و هنر آمریکا، انجمن پیشرفت علم آمریکا و انجمن اقتصاد سنجی است.

Partial identification of probability distributions

Sample data alone never suffice to draw conclusions about populations. Inference always requires assumptions about the population and sampling process. Statistical theory has revealed much about how strength of assumptions affects the precision of point estimates, but has had much less to say about how it affects the identification of population parameters. Indeed, it has been commonplace to think of identification as a binary event – a parameter is either identified or not – and to view point identification as a pre-condition for inference. Yet there is enormous scope for fruitful inference using data and assumptions that partially identify population parameters. This book explains why and shows how. The book presents in a rigorous and thorough manner the main elements of Charles Manski’s research on partial identification of probability distributions. One focus is prediction with missing outcome or covariate data. Another is decomposition of finite mixtures, with application to the analysis of contaminated sampling and ecological inference. A third major focus is the analysis of treatment response. Whatever the particular subject under study, the presentation follows a common path. The author first specifies the sampling process generating the available data and asks what may be learned about population parameters using the empirical evidence alone. He then ask how the (typically) setvalued identification regions for these parameters shrink if various assumptions are imposed. The approach to inference that runs throughout the book is deliberately conservative and thoroughly nonparametric. Conservative nonparametric analysis enables researchers to learn from the available data withoutimposing untenable assumptions. It enables establishment of a domain of consensus among researchers who may hold disparate beliefs about what assumptions are appropriate.Charles F. Manski is Board of Trustees Professor at Northwestern University. He is author of Identification Problems in the Social Sciences and Analog Estimation Methods in Econometrics. He is a Fellow of the American Academy of Arts and Sciences, the American Association for the Advancement of Science, and the Econometric Society.