Ejemplo de estimación y calibración

Question

¿Cuál es un buen ejemplo para demostrar la diferencia entre la estimación y calibración?

Edit: estoy buscando algo que tiene la misma definición de "calibración" y "estimación" que Krugman utiliza aquí (es decir, que son de alguna manera sustitutos):

"calibración" - lo que básicamente significa ajustar los parámetros de su modelo hasta que se ajuste a algunos aspectos de los datos, en lugar de plana a cabo la estimación del modelo

Answer 1

Modelo de estimación es el proceso de escoger a los mejores (según algunas métricas) tipo y la estructura del modelo. La estimación puede incluir la calibración.

La calibración es el proceso de encontrar los coeficientes que permiten a un modelo (el tipo y la estructura de la que ya está determinado) para más de cerca (según algunos métrica) reflejan un determinado conjunto de datos conocidos.

Así: la estimación se establece el tipo, estructura y coeficientes. La calibración se manipula coeficientes, manteniendo el tipo y la constante de estructura.

Newton del modelo de movimiento es bueno para la mayoría de propósitos. Mediante la calibración del coeficiente gravitacional en él, podemos hacer estimaciones de la masa de la Tierra. Pero no funciona como un modelo de movimiento relativista - que las necesidades de la estimación de un modelo diferente: no hay ninguna recalibración de Newton del modelo que funciona para el movimiento relativista - no coeffecient de trabajo, debido a que el modelo en sí es simplemente el mal tipo y estructura. Omite los mecanismos y respuestas que son absolutamente cruciales, si el modelo es ser útil.

Del mismo modo con los modelos económicos, Paul Krugman es que los economistas de agua dulce están diciendo que su modelo estructuras están bien, sólo los coeficientes tendrá que ajustar. El problema con eso es que si sus estructuras están mal, no hay cantidad de ajustes se hacen los modelos de utilidad. Sólo por volver a lo básico, y volver a estimar el modelo completo, habría que incorporar los mecanismos fundamentales y respuestas. Argumenta que no van a hacer eso, porque eso les obligaría a reconocer que sus paradigma existente es insuficiente.

Answer 2

Como la edición se ha cambiado el significado de la pregunta un poco:

Lo que Krugman se describe es el siguiente proceso:

1. Uno quiere modelar algo, como la política monetaria
2. Uno crea un modelo y estimaciones de algo
3. Los resultados son por alguna razón no satisfactoria, por ejemplo, que el contador de algunos ampliamente aceptado de la teoría
4. No creer que lo que se estima es un modelo correcto, se "calibra" (ajustar algunas variables, hipótesis, etc.) hasta que las estimaciones se ajustan a lo que se cree es la correcta respuesta

Por ejemplo, uno crea un modelo para estimar las ventas de un producto en una tienda en un día determinado del año. El pronóstico para la mayoría del año se ven plausible, pero la estimación se ve mal para la temporada de Navidad (por ejemplo, las ventas están en un nivel similar, igual que en noviembre, pero se debe ser más grande). Luego uno se calibra el modelo, tal vez modificando o agregando algunas nuevas variables, por lo que el pronóstico para el mes de diciembre va a ser más grandes que los recibió anteriormente.

Answer 3

La calibración es la comparación entre dos mediciones - uno de los más conocidos de la magnitud o de la corrección, y que queremos estar tan cerca de la primera de ellas como sea posible. Por ejemplo, si tenemos datos sobre cuánto dado mercancía de una tienda lo venden en un día determinado, y queremos calibrar un modelo que predice que las ventas, que nos den más allá de los datos al modelo y comparar la salida con el valor real (y posiblemente alterar el modelo para predecir con precisión los datos).

La estimación es que la aproximación de los resultados, incluso si no tenemos todos los datos. En el mismo ejemplo, la estimación sería pedirle al modelo de lo que serán las ventas en el futuro (como aún no sabemos lo que todas las variables que va a ocurrir a partir de ahora hasta la fecha de la estimación).

Así que, en resumen, se puede calibrar el modelo hasta que funciona como correctamente como desee y, a continuación, utilice para la estimación de lo que va a suceder en el futuro.