paint-brush
دو فیز ٹرائلز میں بائنری نتائج کے تجربات کے ساتھ بہترین سگنلنگ کا تجزیہ کرناکی طرف سے@bayesianinference
140 ریڈنگز

دو فیز ٹرائلز میں بائنری نتائج کے تجربات کے ساتھ بہترین سگنلنگ کا تجزیہ کرنا

کی طرف سے Bayesian Inference
Bayesian Inference HackerNoon profile picture

Bayesian Inference

@bayesianinference

At BayesianInference.Tech, as more evidence becomes available, we make predictions...

3 منٹ read2024/11/10
Read on Terminal Reader
Read this story in a terminal
Print this story
tldt arrow
ur-flagUR
اس کہانی کو اردو میں پڑھیں!
en-flagEN
Read this story in the original language, English!
ru-flagRU
Прочтите эту историю на русском языке!
es-flagES
Lee esta historia en Español!
ja-flagJA
この物語を日本語で読んでください!
af-flagAF
Lees hierdie storie in Afrikaans!
rw-flagRW
Soma iyi nkuru muri Kinyarwanda!
fa-AF-flagFA-AF
این داستان را به زبان دری بخوانید!
sr-flagSR
Прочитајте ову причу на српском!
kk-flagKK
Бұл оқиғаны қазақша оқыңыз!
hr-flagHR
Pročitajte ovu priču na hrvatskom!
nso-flagNSO
Bala kanegelo ye ka Sesotho sa Leboa!
ka-flagKA
წაიკითხეთ ეს ამბავი ქართულად!
UR

بہت لمبا؛ پڑھنے کے لئے

یہ سیکشن دو فیز بایسیئن قائل ماڈل میں بہترین سگنلنگ کی جانچ کرتا ہے جس میں بھیجنے والے کے ڈیزائن کردہ فیز-I تجربہ اور طے شدہ فیز-II تجربات شامل ہیں، جن میں معمولی معاملات بھی شامل ہیں۔ Lemma 1 سے پتہ چلتا ہے کہ معمولی مرحلے-II کے تجربات سنگل فیز ٹرائلز جیسی حکمت عملیوں کی اجازت دیتے ہیں۔
featured image - دو فیز ٹرائلز میں بائنری نتائج کے تجربات کے ساتھ بہترین سگنلنگ کا تجزیہ کرنا
Bayesian Inference HackerNoon profile picture
Bayesian Inference

Bayesian Inference

@bayesianinference

At BayesianInference.Tech, as more evidence becomes available, we make predictions and refine beliefs.

0-item

STORY’S CREDIBILITY

Academic Research Paper

Academic Research Paper

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

مصنفین:

(1) Shih-Tang Su، مشی گن یونیورسٹی، این آربر (shihtang@umich.edu)؛

(2) وجے جی سبرامنیم، مشی گن یونیورسٹی، این آربر اور (vgsubram@umich.edu)؛

(3) گرانٹ شوئن بیک، مشی گن یونیورسٹی، این آربر (schoeneb@umich.edu)۔

لنکس کی میز

خلاصہ اور 1. تعارف

2. مسئلہ کی تشکیل

2.1 دو فیز ٹرائلز میں بائنری نتائج کے تجربات کا ماڈل

دو فیز ٹرائلز میں 3 بائنری نتائج کے تجربات اور اسکریننگ کے ساتھ 3.1 تجربات

3.2 مفروضے اور حوصلہ افزائی کی حکمت عملی

3.3 فیز II تجربات کے ذریعے دی گئی رکاوٹیں۔

3.4 قائل کرنے کا تناسب اور بہترین سگنلنگ ڈھانچہ

3.5 کلاسیکی Bayesian قائل کرنے کی حکمت عملیوں کے ساتھ موازنہ

ملٹی فیز ٹرائلز میں 4 بائنری نتائج کے تجربات اور ملٹی فیز ٹرائلز میں بائنری نتائج کے تجربات کا 4.1 ماڈل

4.2 متعین بمقابلہ بھیجنے والے کے ڈیزائن کردہ تجربات

4.3 ملٹی فیز ماڈل اور کلاسیکل بایسیئن قائل اور حوالہ جات

دو فیز ٹرائلز میں 3 بائنری نتائج کے تجربات

اس سیکشن میں بھیجنے والے کی اصلاح کا مسئلہ جو (2) سیکشن 2.1 میں پیش کیا گیا ہے، سب سے آسان غیر معمولی کیس سے شروع ہوتا ہے۔ یہاں زیر مطالعہ آزمائش کے صرف دو مراحل ہیں، اور اس سے ہم مزید بصیرت پیدا کریں گے کہ کس طرح مختلف قسم کے تجربات (مقرر کردہ بمقابلہ بھیجنے والے کے ڈیزائن کردہ) بھیجنے والے کی بہترین سگنلنگ حکمت عملی کو متاثر کرتے ہیں۔ مزید مخصوص ہونے کے لیے، ہم تجزیہ کریں گے کہ کس طرح دو طے شدہ تجربات (فیز II میں) اور ایک بھیجنے والے کا ڈیزائن کردہ تجربہ (مرحلہ I میں) بھیجنے والے کی بہترین سگنلنگ حکمت عملی کو کیسے متاثر کرے گا۔ اس سے پہلے کہ ہم عام کیس پیش کریں، ہم دو فیز ٹرائلز کی سب سیٹ کلاس پر بات کرتے ہیں جو کہ سنگل فیز ٹرائلز کی طرح ہیں۔ دو فیز ٹرائلز کی اس کلاس میں، فیز II تجربات میں سے ایک میں، جسے معمولی تجربہ کہا جاتا ہے، نتائج کی تقسیم حقیقی حالت سے آزاد ہے۔ معمولی تجربات [2]، جنہیں بعض ادب میں (بلیک ویل) غیر معلوماتی تجربات بھی کہا جاتا ہے، مختلف سگنلنگ اسکیموں/میکانزم کے تحت ایجنٹوں کی متوقع افادیت کی تبدیلی کا موازنہ کرنے کے لیے اکثر بینچ مارک کے طور پر استعمال ہوتے ہیں، مثلاً، [22,20,21]۔ یہ دو فیز ماڈل ایک معمولی تجربے کے ساتھ حقیقی دنیا کے مسائل کو ایک حقیقی (اور مہنگے) تجربے سے حاصل کرنے کی کوشش کرتا ہے، مثلاً، کلینیکل ٹرائلز، وینچر کیپیٹل کی سرمایہ کاری، یا خلائی مشن۔ چونکہ تجربہ مہنگا ہے، اس لیے یہ فیصلہ کرنے کے لیے اسکریننگ کا طریقہ کار فراہم کیا جاتا ہے کہ آیا یہ تجربہ کرنے کے قابل ہے یا نہیں۔ پھر ہم عام منظر نامے میں سگنلنگ کی بہترین حکمت عملی کا تجزیہ کریں گے، جہاں مرحلہ II میں دونوں تجربات غیر معمولی ہیں۔

3.1 اسکریننگ کے ساتھ تجربات

ہم ایک سادہ منظر نامے میں بھیجنے والے کی بہترین حکمت عملی (سگنلنگ ڈھانچہ) کا تجزیہ کرتے ہوئے شروع کرتے ہیں جہاں مرحلہ II میں ایک غیر معمولی تجربہ کیا گیا ہے۔ امکانی جوڑے (p1, p2) کو منتخب کرنے پر بھیجنے والے کا اختیار اسکریننگ کے عمل کو کنٹرول کرتا ہے۔ کسی ابہام سے بچنے کے لیے، ہم سب سے پہلے اس کی وضاحت کرتے ہیں کہ ایک معمولی تجربہ کیا ہے۔


image


جب کوئی معمولی تجربہ (مرحلہ II میں) کیا جاتا ہے، تو ریاست کا بعد کا عقیدہ وہی رہتا ہے جیسا کہ عبوری عقیدہ (1) میں اخذ کیا گیا تھا۔ جب دو فیز-II ٹرائل آپشنز میں کوئی معمولی تجربہ موجود ہے، تو Lemma 1 کہتا ہے کہ سگنلنگ کی بہترین حکمت عملی کے تحت بھیجنے والے اور وصول کنندہ کی متوقع افادیت وہی ہے جو (سنگل فیز) کلاسیکی Bayesian قائل کرنے کے مسئلے میں ہے۔


Lemma 1. جب ریاست کی جگہ بائنری ہوتی ہے، تو بھیجنے والے اور وصول کنندہ دونوں کی متوقع افادیتیں ہر اسکیم کی بہترین سگنلنگ حکمت عملی کے تحت درج ذیل دو Bayesian قائل کرنے والی اسکیموں میں ایک جیسی ہوتی ہیں:


  1. سنگل فیز ٹرائل میں بایسیئن قائل،


  2. بھیجنے والے کے ڈیزائن کردہ فیز-1 کے تجربے اور فیز II میں ایک معمولی تجربہ کے ساتھ دو فیز ٹرائل میں بایسیئن قائل۔


سنگل ٹرائل کلاسیکی بایسیئن قائل کرنے کی ترتیب میں، سگنلنگ کی بہترین حکمت عملی صرف دو ممکنہ ریاستوں کو ایک نتیجہ میں ملاتی ہے (مثلاً، جب پراسیکیوٹر دعویٰ کرتا ہے کہ ملزم مجرم ہے)۔ دوسرے نتیجے پر، بھیجنے والا ایک امکان کے ساتھ حقیقی حالت کو ظاہر کرتا ہے (مثلاً، جب پراسیکیوٹر کہتا ہے کہ مشتبہ شخص بے قصور ہے)۔ جب مرحلہ II میں کوئی معمولی تجربہ ہوتا ہے تو، دوسرا تجربہ (فرض کریں کہ یہ نتیجہ ωB پر کیا جائے گا) کو مرسل کے انتخاب کے مرحلے I میں تجربات کے ذریعے ناکارہ کر دیا جائے گا۔ یہ رجحان اس لیے ہوتا ہے کیونکہ بھیجنے والا ہمیشہ ظاہر کرنے کا انتخاب کر سکتا ہے۔ صحیح حالت جب غیر معمولی تجربہ کیا جائے، یعنی P(θ1|EB) = 1 یا P(θ2|EB) = 1 ترتیب دے کر؛ اور کلاسیکی Bayesian قائل حکمت عملی کو نقل کیا جا سکتا ہے۔ خلاصہ یہ ہے کہ فیز II ٹرائل میں ایک معمولی تجربہ کرنا بھیجنے والے کو مجبور نہیں کرتا۔


یہ کاغذ CC 4.0 لائسنس کے تحت arxiv پر دستیاب ہے۔


L O A D I N G
. . . comments & more!

About Author

Bayesian Inference HackerNoon profile picture
Bayesian Inference@bayesianinference
At BayesianInference.Tech, as more evidence becomes available, we make predictions and refine beliefs.

ہینگ ٹیگز

یہ مضمون اس میں پیش کیا گیا تھا۔...

Read on Terminal Reader
Read this story in a terminal
 Terminal
Read this story w/o Javascript
Read this story w/o Javascript
 Lite
Also published here
X REMOVE AD