Discusión del usuario:CarlWesolowski

Hola, CarlWesolowski, ¡bienvenido a Wikipedia! Gracias por tus contribuciones . Espero que te guste el lugar y decidas quedarte. Aquí tienes algunos enlaces a páginas que te pueden resultar útiles:

• Introducción y primeros pasos
• Contribuyendo a Wikipedia
• Los cinco pilares de Wikipedia
• Cómo editar una página y Cómo desarrollar artículos
• Cómo crear tu primer artículo
• Manual de estilo simplificado

También puede que desee realizar la Aventura de Wikipedia , un recorrido interactivo que le ayudará a aprender los conceptos básicos de edición de Wikipedia. Puede visitar The Teahouse para hacer preguntas o buscar ayuda.

Por favor, recuerda firmar tus mensajes en las páginas de discusión escribiendo cuatro tildes (~~~~); esto insertará automáticamente tu nombre de usuario y la fecha. Si necesitas ayuda, consulta Wikipedia:Preguntas , pregúntame en mi página de discusión o pide ayuda en tu página de discusión y un voluntario debería responderte en breve. ¡De nuevo, bienvenido! Barbara (WVS)  ✐  ✉ 20:35, 8 de febrero de 2017 (UTC) [ responder ]

Incluí el criterio MCO para las determinaciones de AIC. Pregunta abierta: ¿Cómo se aplica AIC cuando la regresión tiene que ser ponderada, por ejemplo, cuando la norma del residuo relativo es el criterio de regresión más adecuado? Es decir, Min||(RY)/Y|| en lugar de MCO Min||RY||, donde R es el vector residual Y de los datos, y ||.|| significa norma. Debo decir que encuentro que AIC se usa en exceso y se recomienda por defecto en escenarios en los que no debería usarse en absoluto. Esto refleja el uso excesivo de MCO, que no debería aplicarse cuando X se distribuye aleatoriamente en lugar de ser exacto, donde por "exacto" quiero decir, por ejemplo, X es 0,1,2,3,,,n. AIC me parece molesto. ¿Cómo explica AIC la concordancia dentro del nivel de ruido de los datos? ¿Es AIC realmente correcto? Por ejemplo, si hago una simulación de un modelo exacto con dos niveles de ruido inyectados diferentes, ¿el AIC será ciego a la diferencia entre ellos? ¿O seleccionará el conjunto de datos menos ruidoso? Tenga en cuenta que ambos modelos son perfectos y, en ese caso, si el resultado del AIC no es idéntico, el AIC no tiene sentido. Lo que nos lleva a la pregunta final: ¿qué significa el AIC?

La referencia estándar para el AIC es el volumen de Burnham & Anderson; para obtener más detalles, consulte el criterio de información de Akaike#Historia . Un artículo reciente que analiza "la visión del mundo del AIC" es el de Aho et al., que también se cita en el artículo. El AIC no es de ninguna manera específico de MCO; más bien, siempre que conozcamos la función de verosimilitud, el AIC casi siempre se puede aplicar.

El AIC no se puede aplicar a diferentes conjuntos de datos, sino a diferentes modelos estadísticos del mismo conjunto de datos. Esto se analiza en el artículo.

SolidPhase ( discusión ) 09:01 21 mar 2015 (UTC) [ responder ]

El punto era que el enfoque de la probabilidad es a menudo inadecuado ya que los modelos a menudo están mal planteados con respecto a los datos. Por ejemplo, cuando uno utiliza funciones monótonamente decrecientes para ajustar muestras venosas periféricas de concentraciones de fármacos, el AIC se utiliza a menudo con regresión MCO. No hay transformación de un ajuste de curva de concentración de una función monótonamente decreciente, donde la concentración inicial es cero, que transforme la correspondencia entre el modelo y los datos en una probabilidad de cualquier tipo. El problema está mal planteado. Además, una técnica que asigna al ruido un papel en la evaluación del contenido de la información es un error teleológico. Creo firmemente que esta técnica es fundamentalmente defectuosa en dos aspectos. El primero: la inexistencia de cualquier función de probabilidad. Claro, se puede suponer una función de probabilidad, y a veces se puede suponer una correctamente. Sin embargo, eso está muy lejos de decir que esa suposición es apropiada de la forma en que se utiliza en la práctica. El segundo aspecto, la información depende del contexto, y el ruido de una persona es la información de otra. La técnica AIC agrupa los errores derivados de la mala especificación del modelo y el ruido y, como tal, no cuantifica la información ni brinda información sobre cuándo su uso es inadecuado.

No sé a qué aplicación médica se refiere. Sin embargo, si las personas eligen un modelo OLS cuando dicho modelo no es adecuado, entonces el problema es que eligen OLS. El problema no está en el AIC.

Su comentario dice que "una técnica que asigna al ruido un papel en la evaluación del contenido de la información es un error teleológico". Eso no es cierto: a veces una forma adecuada de modelar algo es asignar ruido a alguna parte, incluso cuando esa parte es determinista. En estadística, se dice comúnmente que " todos los modelos son incorrectos , pero algunos son útiles".

Elegir un conjunto de modelos candidatos es un arte, y a menudo es difícil y propenso a errores. Sin embargo, la AIC solo puede entrar en juego después de que se haya elegido un conjunto de modelos candidatos. Hay un artículo de Wikipedia relacionado con todo esto: Selección de modelos . Ese artículo, lamentablemente, actualmente es "clase de inicio", es decir, necesita mucho trabajo.

SolidPhase ( discusión ) 03:28 22 mar 2015 (UTC) [ responder ]

No conozco ninguna función de probabilidad que transforme una concentración física de cero en el momento cero en la concentración infinita predicha por la magnitud de una función de ajuste de la variable gamma para un modelo de concentración de la variable gamma parametrizado adecuadamente. Debería quedar claro que no has entendido el punto. La AIC no es adecuada para su uso en circunstancias en las que el objetivo de regresión adecuado no es una medida de bondad de ajuste de la curva. Un ejemplo de ello es la técnica de la variable gamma de Tikhonov a la que hice referencia en el artículo y que se eliminó debido a una comprensión limitada de lo limitada que es la AIC. Lee ^[1]. Entonces, dígame cómo aplicaría el AIC sin hacer suposiciones erróneas. No veo respuesta al último párrafo. El problema con el AIC como medida de bondad de ajuste es que la bondad de ajuste no es el criterio más general para la selección de modelos. El problema de la regresión es, en general, un problema inverso. Si aceptamos la tarea de realizar una regresión, como una primera tarea, y casi universalmente ignorada, deberíamos indicar en forma precisa cuál es el problema que estamos intentando invertir. Por ejemplo, supongamos que tenemos datos que consisten en concentraciones medidas en n tiempos desde t1 hasta tn. Un problema muy común, por ejemplo para casi todos los modelos farmacocinéticos, requiere encontrar el área bajo la curva (AUC) desde t = 0 hasta t = ∞, aunque los datos solo estén definidos en t1, t2, t3, tn. En ese caso, queremos encontrar el AUC de menor error a partir del ajuste de un modelo continuo, que es una integral mal planteada cuyo error puede ser regresionado ajustando nuestras concentraciones disponibles para minimizar el error del AUC de la propagación del error. Supongamos que hacemos eso aplicando un método inverso, ¿qué forma toma nuestra respuesta? En primer lugar, el concepto de un buen ajuste se relaciona con los valores del AUC, y no con los valores de concentración o los residuos entre el modelo y los datos. De hecho, los residuos estarán sesgados para encontrar un AUC apropiado. En segundo lugar, el concepto de una probabilidad tendría que estar relacionado de alguna manera con encontrar el AUC correcto, lo que francamente parece descabellado. Por último, pero no menos importante, en el escenario anterior, R-cuadrado sería mucho más accesible y significativo que AIC, porque para encontrar el AUC adecuado, nuestra solución inversa, en efecto estaríamos maximizando la covarianza, en lugar de examinar los residuos. En este artículo veo muy poco sobre el R-cuadrado o cualquier otra medida que tenga más posibilidades de aplicarse al enfoque más general del problema inverso para la regresión y, según las propias admisiones de los autores, el AIC es más útil para comparar el método A con el método B, sólo cuando los métodos de regresión son los mismos para A y B, lo que, en efecto, hace que no quede claro cómo se compara el método de regresión A con el método de regresión B, especialmente cuando ni A ni B están relacionados con la bondad del ajuste de la curva. El método AIC parece ser una solución a la espera de un problema al que se aplique correctamente, en contraposición a una evaluación de valor absoluto de tratamiento general de los efectos de lo que debería entenderse de manera más general como un problema inverso, es decir, la regresión. La popularidad del AIC parece surgir de la realización de suposiciones simplificadoras que ocurren porque las características del problema que se está invirtiendo, en general, ni siquiera se han considerado. El AIC se aplica, hasta donde puedo decir, a un subconjunto de un subconjunto de problemas de regresión, y a muchos menos de ellos, de los que parecen entenderse generalmente. Me gustaría pedir a los autores de este artículo que indiquen cuáles son las limitaciones de la AIC y hagan referencia a algunos de los mejores métodos disponibles para hacer lo mismo.o incluso mejor, ya que son cuantitativos, como el R-cuadrado, la proyección ortogonal de variables y los tratamientos de probabilidad que se aplican a problemas de regresión simple, y no como el AIC, que solo se aplica a experimentos "controlados", que nos permiten decir únicamente que A es mejor que B en circunstancias generalmente irreproducibles porque las variables experimentales reales no se prueban, no se entienden o ni siquiera se piensa en ellas, y donde los parámetros de interés son solo a veces los objetivos de la regresión. El problema con los experimentos controlados, que requiere el AIC, es que se realizan porque se desconocen las circunstancias en las que se realizan. Se necesita una cantidad infinita de experimentos controlados para definir el espacio en el que se realizan.

Sigo sin ver respuesta a mis comentarios anteriores. Permítanme decirlo de otra manera: no estoy de acuerdo con la primera oración de este artículo, que dice "El criterio de información de Akaike (AIC) es una medida de la calidad relativa de los modelos estadísticos para un conjunto dado de datos". Tengo evidencia de lo contrario. En concreto, un mejor modelo estadístico no está limitado por ningún criterio de bondad de ajuste. El hecho de que los autores de este artículo tengan una visión "centrista en el ajuste" de los métodos numéricos no cambia el hecho de que el contenido de la información siempre se define en términos de la información que se está extrayendo, y que es a partir de la propagación del error de la información de destino, no del "ajuste de curvas". ¿Se puede definir un AIC en términos más generales que el ajuste de curvas? Tal vez, pero este artículo carece de cualquier reconocimiento del bayesianismo en el que está inmerso. En concreto, existe una necesidad apremiante de examinar la estructura residual antes de realizar cualquier suposición del tipo AIC. El uso de AIC fuera del contexto adecuado es probablemente más común que su uso adecuado. Por último, se debe demostrar que los supuestos del AIC se cumplen en todos los casos en que se utiliza y que antes de utilizarlo, y, créame, rara vez lo hacen. Esta situación refleja de cerca el uso de la regresión de MCO cuando la regresión de Theil sería más apropiada y muchos usos incorrectos similares de las estadísticas. El MCO es una técnica sesgada; el sesgo del AIC no se ha explorado que yo sepa y su popularidad no justifica su uso sin garantía de calidad, y como medida sus unidades son esencialmente no cuantitativas, por lo que hay pocas posibilidades de garantizar que su uso sea significativo. Es mucho más preferible utilizar Chi-cuadrado, prueba t, gráfico de residuos, desviaciones estándar o bootstrap para condiciones no normales que el AIC, ya que esas técnicas son al menos medidas estadísticas establecidas y comparables entre sí para la validación cruzada, y el AIC, francamente, no lo es, produce información no verificable sin garantía de calidad post-hoc y, como se mencionó, por lo general ni siquiera se examina con respecto a sus supuestos. En resumen, el AIC es un índice inventado que busca un problema al cual se aplica.

Como no he recibido ninguna discusión sobre lo anterior, incluí algunas de las dudas sobre el AIC y un enlace a mediciones alternativas de bondad de ajuste. El AIC es una técnica limitada con muchos supuestos, algunos de los cuales enumeré. El elefante en la habitación es que la bondad de ajuste es un criterio que resuelve todos los problemas. Si ese fuera el caso, nadie utilizaría la regresión de cresta, la regularización de Tikhonov, la reconstrucción de imágenes de Pixon, etc. Además, debería ser intuitivamente obvio que la bondad de ajuste no es un supuesto general. Por ejemplo, para ajustar integrales mal planteadas, se debe elegir la regularización que minimice el error integral, no la bondad de ajuste. Por lo tanto, el objetivo del modelado no tiene por qué tener nada que ver con ajustar los datos con una curva atractiva desde el punto de vista estético, todo depende de cuál sea el objetivo de la regresión y, muy a menudo, el objetivo no es ajustar los datos locales, sino extrapolar y predecir algo más que está fuera del rango de datos o es una combinación geométrica óptima de parámetros de ajuste. Además, utilizar simplemente los mínimos cuadrados ordinarios (MCO) para todo y luego esperar que sean significativos no es un enfoque lo suficientemente general como para ser generalmente útil, y el AIC está en esa categoría. A menudo, la regresión de Theil es mejor que los MCO, especialmente para el ajuste de datos residuales heterocedásticos o para datos del eje x que no están distribuidos uniformemente. ¿Por qué entonces se presta tanta atención al AIC? Afirmo que esto se debe a que es un valor predeterminado en las mentes de los investigadores con más frecuencia de lo que es aplicable de hecho a los problemas a los que se aplica. La penalización acumulada por esto es severa, en lugar de tratar de resolver los problemas en términos generales, estamos convencidos de que nuestros métodos de regresión son sacrosantos cuando ni siquiera se ha investigado su idoneidad. Por lo tanto, el AIC se utiliza sin pensar, sin considerar que la idoneidad de los métodos de regresión en sí es a lo que deberíamos prestar atención tanto como a los modelos, no a la bondad de ajuste, que no es una consideración central para el modelado predictivo. Por ejemplo, para la extrapolación también necesitamos la bondad de ajuste de las derivadas de la función de ajuste, y buena suerte si encuentras dos palabras pegadas al respecto en la literatura. Por lo tanto, la atención que se presta al AIC resta valor a consideraciones de modelado más generales de las que les suma, y, en mi trabajo personal, no puedo imaginar que alguna vez usaría el ACI en favor de la prueba de Chi-cuadrado, la prueba t o los valores r, y esas medidas también son de utilidad limitada para la caracterización de problemas inversos. Pregunte primero por qué se está realizando la regresión, luego use métodos numéricos de regresión que aborden el propósito de hacer la regresión, luego mida la bondad del resultado con respecto al propósito declarado de la regresión. Si uno hace eso, la frecuencia de uso del AIC disminuirá notablemente.pero abundarán resultados más apropiados ya que el principio es el siguiente: si uno no pide el tipo de respuesta que quiere obtener, no la obtendrá, así que pide sólo lo que quieres en lugar de imaginar que lo estás pidiendo sin pensar en cómo plantear la pregunta.

Has hecho ediciones inapropiadas en repetidas ocasiones: cada una de tus ediciones ha tenido que ser deshecha. También has dejado mensajes largos en mi página de Discusión, en tu página de Discusión y en la página de Discusión de AIC. Cada vez, vuelves a demostrar que no sabes de lo que estás hablando.

El artículo de Wikipedia ofrece referencias importantes. Hay miles de referencias más que se pueden encontrar a través de Google Scholar, como se indica en el artículo. No has estudiado esas referencias. En cambio, vienes aquí con afirmaciones sin sentido como esta. La única forma en que podrías hacer una afirmación como esa es si no hubieras leído ninguna de las referencias.

He intentado ser paciente contigo durante más de un año. Deja de hacer perder el tiempo a otras personas con tu gran ignorancia. Lee las referencias principales antes de intentar realizar más modificaciones.

SolidPhase ( discusión ) 14:29 15 jul 2016 (UTC) [ responder ]

He comprobado que Mathematica parece utilizar el negativo del índice AIC ^[2] y he editado mi comentario de forma adecuada, comentario editado que aparentemente no has leído. Todas mis ediciones han sido revertidas, especialmente y casi siempre por ti mismo, incluidos los comentarios que otros editores apoyaron, por ejemplo, uno de mis comentarios sobre BIC. El artículo, tal como está, es engañoso. He incluido una referencia a un artículo que está mejor escrito, en concreto, ^[3] . No, no soy perfecto, pero tus esfuerzos tampoco lo son. Pelear conmigo sobre la personificación en la escritura formal ^[4] no es de ayuda. Además, me alejé del sitio durante un año y he trabajado mucho para entender AIC. Se podría decir que AIC es útil en un contexto limitado para algunos tipos de selección de modelos. Una comparación con BIC sería útil. Actualmente, no hay comparación, solo un anuncio de AIC que no está equilibrado. Dice algo como "Use la pasta de dientes _____, no la marca X". La implementación de AIC en código fuente estadístico puede ser defectuosa ^[5] y engañosa también. Las suposiciones para ACI impiden el uso general. Las suposiciones tal vez se enumeran en las referencias pero no aparecen en el artículo de Wikipedia. No es apropiado llamarme ignorante solo porque mi opinión es diferente a la tuya, el artículo tal como está es de mala calidad y tengo un problema práctico con él. Los revisores a veces sugieren que aplique AIC en contextos en los que tú mismo entenderías que son inapropiados. El artículo debe decir cuándo el uso de AIC es inapropiado y, tal como está, eso no se nota. Si quieres solucionar esto, hazlo. Los defensores de AIC han afirmado, por escrito, que está infrautilizado. Sin embargo, he experimentado lo contrario, solicitudes de uso inapropiado por parte de personas que no saben lo que están pidiendo. No tengo necesidad de ser conocido como autor de un artículo de Wikipedia sobre AIC, pero sí tengo la necesidad de un artículo más equilibrado. La calificación actual del artículo es de clase C, apenas perfecto según los estándares de Wikipedia. Y, "AIC es un índice utilizado para puntuar funciones de ajuste a datos idénticos para su clasificación". No tienes una buena excusa para ignorar eso y otras palabras sencillas similares, es útil y yo soy útil, y me estás ignorando a mí y a mis sugerencias porque puedes, no porque debas. La palabra "ignorante" está relacionada con ignorar, y no soy yo quien te está ignorando a ti.

Haz clic en "nueva sección" para iniciar una nueva sección en una página de discusión; de esta manera, se colocará automáticamente en la parte inferior de la página. Todas las nuevas entradas de la página de discusión se colocarán en la parte inferior de la página. No colocaste tu entrada en la parte inferior. La moví. Sr. CC ^¡Oye! _{¡No lo hice yo!} 00:44, 28 de marzo de 2018 (UTC) [ responder ]

Variable_volume_pharmacokinetic_models necesita una mejora significativa. Necesitamos fuentes independientes para este modelo, por favor. Le recomiendo encarecidamente que reescriba el artículo en un lenguaje sencillo. Propondré que se elimine el artículo si no se pueden encontrar fuentes independientes, ya que este no es un lugar para modelos marginales o novedosos. PainProf ( discusión ) 01:52, 5 de julio de 2020 (UTC) el editor indicó que quieren que esto esté solo en la página de discusión del artículo PainProf ( discusión ) 03:27, 5 de julio de 2020 (UTC) [ responder ]

Se está debatiendo si el artículo Modelos farmacocinéticos de volumen variable es adecuado para su inclusión en Wikipedia de acuerdo con las políticas y pautas de Wikipedia o si debería eliminarse .

El artículo se analizará en Wikipedia:Artículos para eliminación/Modelos farmacocinéticos de volumen variable hasta que se alcance un consenso, y cualquier persona, incluido usted, puede contribuir a la discusión. La nominación explicará las políticas y pautas que son motivo de preocupación. La discusión se centra en la evidencia de alta calidad y en nuestras políticas y pautas.

Los usuarios pueden editar el artículo durante la discusión, incluso para mejorarlo y abordar las inquietudes planteadas en la discusión. Sin embargo, no elimine el aviso de eliminación del artículo de la parte superior del artículo. PainProf ( discusión ) 04:05, 5 de julio de 2020 (UTC) [ responder ]