用于评估条件熵与互信息以发现响应-协变量动力学主因子的习得实用准则
统计方法学
2022-10-12 v1
摘要
我们将一系列渐趋复杂的参数统计主题重新表述并重构为无显式函数结构刻画的响应-协变量（Re-Co）动力学框架。随后仅利用数据的类别性质，通过发现此类 Re-Co 动力学下的主因子来解决这些主题的数据分析任务。作为类别探索性数据分析（CEDA）范式核心的主因子选择协议，通过采用香农条件熵（CE）与互信息（）作为两个关键信息论度量被阐释并执行。借由评估这两个基于熵的度量并解决统计任务的过程，我们获得了以边做边学方式执行主因子选择协议的若干计算准则。具体而言，建立了与称为 [C1:confirmable] 的准则相符的评估 CE 与 的实用准则。经由 [C1:confirmable] 准则，我们不试图获取这些理论信息度量的一致估计。所有评估在列联表平台上执行，据此实用准则也提供减轻维度灾难影响的方法。我们明确执行了六个 Re-Co 动力学示例，其中每个都进一步探索与讨论了若干广泛扩展的场景。
引用
@article{arxiv.2209.02629,
title = {Learned practical guidelines for evaluating Conditional Entropy and Mutual Information in discovering major factors of response-vs-covariate dynamics},
author = {Ting-Li Chen and Hsieh Fushing and Elizabeth P. Chou},
journal= {arXiv preprint arXiv:2209.02629},
year = {2022}
}