ترجمه فارسی مقاله استنتاج اعتمادی توسعه‌یافته: به سوی یک فرآیند خودکار استنتاج آماری

چکیده

While fiducial inference was widely considered a big blunder by R.A. Fisher, the goal he initially set –`inferring the uncertainty of model parameters on the basis of observations’ — has been continually pursued by many statisticians. To this end, we develop a new statistical inference method called extended Fiducial inference (EFI). The new method achieves the goal of fiducial inference by leveraging advanced statistical computing techniques while remaining scalable for big data. EFI involves jointly imputing random errors realized in observations using stochastic gradient Markov chain Monte Carlo and estimating the inverse function using a sparse deep neural network (DNN). The consistency of the sparse DNN estimator ensures that the uncertainty embedded in observations is properly propagated to model parameters through the estimated inverse function, thereby validating downstream statistical inference. Compared to frequentist and Bayesian methods, EFI offers significant advantages in parameter estimation and hypothesis testing. Specifically, EFI provides higher fidelity in parameter estimation, especially when outliers are present in the observations; and eliminates the need for theoretical reference distributions in hypothesis testing, thereby automating the statistical inference process. EFI also provides an innovative framework for semi-supervised learning.

چکیده به فارسی (ترجمه ماشینی)

در حالی که استنباط اعتباری به طور گسترده ای توسط R.A.فیشر ، هدفی که او در ابتدا تعیین کرده است -عدم اطمینان از پارامترهای مدل بر اساس مشاهدات -به طور مداوم توسط بسیاری از آمارشناسان دنبال شده است.برای این منظور ، ما یک روش استنتاج آماری جدید به نام استنتاج معتبر گسترده (EFI) ایجاد می کنیم.روش جدید با استفاده از تکنیک های پیشرفته محاسبات آماری در عین حال که برای داده های بزرگ مقیاس پذیر باقی مانده است ، هدف استنباط وفاداری را به دست می آورد.EFI شامل خطاهای تصادفی مشترک است که در مشاهدات با استفاده از زنجیره ای شیب تصادفی مارکوف مونت کارلو و برآورد عملکرد معکوس با استفاده از یک شبکه عصبی عمیق (DNN) تخمین می زند.قوام برآوردگر پراکنده DNN تضمین می کند که عدم قطعیت تعبیه شده در مشاهدات به درستی برای پارامترهای مدل از طریق عملکرد معکوس تخمین زده شده پخش می شود ، در نتیجه استنباط آماری پایین دست را تأیید می کند.در مقایسه با روشهای مکرر و بیزی ، EFI مزایای قابل توجهی در برآورد پارامتر و آزمایش فرضیه ارائه می دهد.به طور خاص ، EFI وفاداری بالاتری را در برآورد پارامترها فراهم می کند ، به ویژه هنگامی که در مشاهدات وجود دارد.و نیاز به توزیع مرجع نظری را در آزمایش فرضیه از بین می برد و از این طریق فرایند استنباط آماری را خودکار می کند.EFI همچنین یک چارچوب خلاقانه برای یادگیری نیمه تحت نظارت فراهم می کند.