TL;DR
- چکیده:.
- این مقاله یک تحلیل آماری از سه روش رایج رگرسیون برای دادههای پواسون در حضور پسزمینه پواسون،.
- یعنی برازش مشترک با دو مدل پارامتری برای منبع و پسزمینه،.
چه اتفاقی افتاد
چکیده:. این مقاله یک تحلیل آماری از سه روش رایج رگرسیون برای دادههای پواسون در حضور پسزمینه پواسون،.
یعنی برازش مشترک با دو مدل پارامتری برای منبع و پسزمینه،. استفاده از یک مدل ناپارامتریک برای پسزمینه به نام روش wstat و رگرسیون با پسزمینه ثابت ارائه میکند.
روش پسزمینه ناپارامتری،. که یک روش محبوب برای دادههای طیفی است،.
بهطور قابلتوجهی سوگیری دارد،. به ویژه در رژیمهای کم شمار و تحت سلطه پسزمینه.
نتایج مشابهی برای رگرسیون پسزمینه ثابت اعمال میشود. از سوی دیگر،.
روش تناسب مشترک،. بهطور همزمان آزمون فرضیههای قابل اعتماد را با استفاده از آمار نقدی معمول و بازسازی بی طرفانه.
پارامترهای منبع فراهم میکند. ما همچنین تأثیر رگرسیون ناپارامتریک بر تعداد درجات آزادی مؤثر را با ابزار بررسی میکنیم تابع درجه آزادی.
افرون ما متوجه شدیم که روش wstat در مقایسه با تعداد پارامترهای آزاد در مدل منبع،. درجات آزادی بهطور قابل توجهی بیشتری اضافه میکند.
دو روش دیگر،. حداقل برای مدلهای سادهای که در این مقاله بررسی شدهاند،.
تعدادی درجه آزادی مطابق با تعداد پارامترهای قابل تنظیم دارند. ارسال شده به ApJ روش شناسی (stat.
ME); ابزار و روشها برای اخترفیزیک (astro-ph. IM); برنامههای کاربردی (stat.
AP) استناد بهعنوان: (یا v1 [stat. ME] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Massimiliano (Max) Bonamente [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 02:.
53:. 58 UTC (574 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.