Glosariusz

Przeszukaj Internetowy Podręcznik Statystyki

Nadmierne dopasowanie. Sformułowanie to (ang. overfitting) odnosi się do sytuacji, kiedy model predykcyjny (zob. np. predykcyjny data mining) tak dokładnie dopasowany jest do danych, na podstawie których został zbudowany, że odzwierciedla nawet szum zawarty w konkretnych danych.

Dodatkowe informacje: sekcja Sieci neuronowe.

Nadmierny rozrzut. Termin nadmierny rozrzut odnosi się do sytuacji, gdy wariancja obserwowanej zmiennej zależnej (odpowiedzi) przewyższa wartość nominalnej wariancji, dla danego założonego typu rozkładu. Sytuacja taka pojawia się często w przypadku dopasowywania uogólnionych modeli liniowych do zmiennych zależnych (odpowiedzi) o charakterze jakościowym, gdy założonym typem rozkładu jest rozkład dwumianowy, wielomianowy, wielomianowy porządkowy lub rozkład Poissona. W przypadku pojawienia się zjawiska nadmiernego rozrzutu, błędy standardowe ocen parametrów oraz inne pokrewne statystyki (np., błędy standardowe statystyk wartości przewidywanych i resztowych) muszą być obliczane przy uwzględnieniu nadmiernego rozrzutu.

Dalsze szczegóły można znaleźć w książce Agresti (1996), a także w sekcji Uogólnione modele liniowe i nieliniowe.

Nagła i zanikająca zmiana. W analizie szeregów czasowych schemat nagłej i zanikającej zmiany zakłada początkowy wzrost lub spadek spowodowany interwencją, który następnie powoli zanika, nie powodując trwałej zmiany średniej szeregu. Ten typ interwencji może być ujęty wyrażeniami:
Przed interwencją: Wpływ_t = 0
W czasie interwencji: Wpływ_t =
Po interwencji: Wpływ_t = *Wpływ_t-1
Zauważmy, że ten schemat zmiany jest także zdefiniowany przez dwa parametry (delta) i (omega). Dopóki parametr jest większy od 0 i mniejszy od 1 (granice stabilności systemu), początkowa nagła zmiana będzie stopniowo zanikać. Jeśli jest bliska 0 (zera), to zanik będzie bardzo szybki i wpływ zniknie całkowicie już po kilku obserwacjach. Jeśli jest bliska 1, to zanik będzie powolny, a interwencja będzie wpływać na szereg jeszcze po wielu obserwacjach. Zauważmy, że gdy oceniamy dopasowanie modelu, ważne jest, aby oba parametry były istotne statystycznie; w przeciwnym wypadku można dojść do paradoksalnych wniosków. Na przykład załóżmy, że parametr nie jest istotnie statystycznie różny od 0 (zera), a parametr jest; mogłoby to oznaczać, że interwencja nie spowodowała początkowej nagłej zmiany, która następnie przejawiła się istotnym zanikiem.

Nagła trwała zmiana. W analizie szeregów czasowych, schemat nagłej trwałej zmiany zakłada po prostu, że ogólna średnia szeregu czasowego przesunęła się po interwencji; ogólne przesunięcie oznacza się jako (omega).

Naiwna Bayesowska metoda. Statystyczne podejście bazujące na twierdzeniu Bayesa wykorzystywane przy klasyfikacji.

Najmniejsza aberracja. Kryterium najmniejszej aberracji planu doświadczenia to uzupełnienie kryterium rozdzielczości. Ujmując rzecz technicznie, plan o najmniejszej aberracji jest definiowany jako plan o największej rozdzielczości , minimalizujący liczbę słów w relacji definiującej, które mają najmniejszą długość (Fries i Hunter, 1984). Mniej technicznie, kryterium działa poprzez dobór takich generatorów, które tworzą najmniejszą liczbę par uwikłanych interakcji rzędu krytycznego. Przykładowo, plan o rozdzielczości IV i najmniejszej aberracji mógłby mieć najmniejszą liczbę par uwikłanych interakcji drugiego rzędu. Dyskusja roli kryteriów w planowaniu doświadczeń znajduje się w sekcji Plany frakcyjne 2(k-p) i Plany 2(k-p) maksymalnie nieuwikłane i o najmniejszej aberracji w rozdziale Planowanie doświadczeń (DOE).

Najmniejsze kwadraty (wykresy 2W). Do danych w układzie współrzędnych XY zostaje dopasowana krzywa zgodnie z procedurą wygładzania najmniejszych kwadratów ważonych odległością (wpływ punktów zmniejsza się wraz z ich odległością w poziomie od danego punktu krzywej).

Najmniejsze kwadraty (wykresy 3W). Do danych w układzie współrzędnych XYZ zostaje dopasowana powierzchnia zgodnie z procedurą wygładzania najmniejszych kwadratów ważonych odległością (wpływ punktów zmniejsza się wraz z ich odległością w poziomie od danego punktu powierzchni).

Neuron. Podstawowy element wchodzący w skład sieci neuronowej.

Neurony liniowe. Tak nazywane są neurony wyposażone w linową funkcję PSP (potencjału postsynaptycznego). Aktywacja neuronu wyznaczana jest wtedy jako ważona suma wejść minus wartość progu, co można nazwać iloczynem skalarnym lub kombinacją liniową. Neurony liniowe charakterystyczne są dla perceptronu wielowarstwowego. Mimo nazwy neurony liniowe mogą mieć nieliniową funkcję aktywacji.

Zob. Sieci neuronowe.

Nici. Linie nici, zwykle ułożone w pętlę, reprezentują na diagramach ścieżkowych wariancje i kowariancje zmiennych egzogenicznych.

Niezmienniczość względem jednakowej zmiany skali. Model strukturalny jest niezmienniczy względem jednakowej zmiany skali (ICSF - Invariance Under a Constant Scale Factor), jeśli jego dopasowanie do danych nie zmienia się po pomnożeniu wszystkich zmiennych przez tą samą stałą. Większość, choć nie wszystkie modele strukturalne są niezmiennicze względem zmiany skali (zob. Modelowanie równań strukturalnych).

Niezmienniczość względem zmiany skali. Model strukturalny jest niezmienniczy względem zmiany skali (ICS - Invariance Under Change of Scale), jeśli jego dopasowanie do danych nie zmienia się po pomnożeniu wszystkich zmiennych przez stałe wartości (zob. Modelowanie równań strukturalnych).

Normalizacja. Przekształcenie ciągu (wektora) wartości (zazwyczaj będących wynikami pomiarów, np. wzrostu osób w calach) za pomocą pewnej funkcji tak, aby były porównywalne z jakimś ustalonym punktem odniesienia (na przykład, jednostką długości). Na przykład, po podzieleniu wartości zmiennej przez 2,54 będą one przedstawiały wzrost w układzie metrycznym. Normalizacja danych jest:
(a) niezbędna, gdy niekompatybilność pomiarów pomiędzy zmiennymi może mieć wpływ na wyniki (np. w obliczeniach dla iloczynów kartezjańskich), co powoduje, że informacji nie da się zinterpretować, oraz
(b) zalecana, gdy można polepszyć jakość raportów końcowych poprzez wyrażenie wyników w bardziej znaczących lub kompatybilnych jednostkach (np. dane o czasie odpowiedzi w eksperymentach medycznych wyrażone jako ilość cykli CPU będą łatwiejsze w interpretacji po przekształceniu na milisekundy).
Należy zaznaczyć, że terminu tego nie należy kojarzyć z rozkładem normalnym. Zob. także standaryzacja.