精华内容
下载资源
问答
  • AIC准则

    千次阅读 2014-11-13 15:11:33
     AIC准则是赤池信息准则,该项准则运用下式的统计量评价模型的好坏:AIC=-2L/n+2K/n,其中L是对数似然值,n是观测值数目,k是被估计的参数个数,AIC的准则要求其越小越好。  因为,AIC的大小取决于L和k。k取值越...
    我们进行模型选择时,AIC值越小越好。例如,可以通过选择最小AIC值来确定一个滞后分布的长度。
         AIC准则是赤池信息准则,该项准则运用下式的统计量评价模型的好坏:AIC=-2L/n+2K/n,其中L是对数似然值,n是观测值数目,k是被估计的参数个数,AIC的准则要求其越小越好。
         因为,AIC的大小取决于L和k。k取值越小,AIC越小;L取值越大,AIC值越小。k小意味着模型简洁,L大意味着模型精确。因此AIC和修正的决定系数类似,在评价模型是兼顾了简洁性和精确性。
    展开全文
  • AIC准则提出背景计量经济学研究对象:量化的社会经济问题研究目的:利用已有信息,通过模型发现内在机理,并对未知信息作出统计推断核心问题:保证模型反映数据所代表的主要信息,降低噪声干扰项的影响,保证模型的...

    AIC准则提出背景

    计量经济学

    研究对象:量化的社会经济问题

    研究目的:利用已有信息,通过模型发现内在机理,并对未知信息作出统计推断

    核心问题:保证模型反映数据所代表的主要信息,降低噪声干扰项的影响,保证模型的预测准确性

    模型包含的信息量能否尽可能大?不能。一是干扰信息无法避免;二是若模型包含了全部信息,则模型的复杂度也会相应提高,相应地会提高经济学成本;三是人无法对模型的准确性做出客观而科学的评断。

    信息论

    信息熵:信源发出的信息中包含的不确定性大小

    math?formula=H(u)%20%3D%20E(I(a_i))%20%3D%20-%20%5Csum_%7Bi%3D1%7D%20%5En%20p(a_i)%20%5Cmathrm%7Blog%7D%20p(a_i)

    最大熵:衡量通信信息有效性和可靠性的概念,当信息过少时,信息传递的有效性、可靠性降低,当信息过多时,信息传递的经济性降低。类似地,在模型识别中需要在拟合效果和参数个数之间达到均衡。

    K-L距离/K-L信息量:表示真实概率分布和估计分布的差异,K-L信息量越小,估计的概率分布蕴含的信息越能反映真实分布。它是对传统似然估计、最小二乘估计思路的拓展,这两种估计仅从样本信息出发,要求模型最佳地拟合样本数据,而忽略了总体信息,所以还必须对样本施加额外的要求。

    math?formula=P(x)表示定义在事件空间上的概率,当用

    math?formula=Q(x)进行编码时,定义K-L距离为:

    math?formula=D(P%7C%7CQ)%20%3D%20%5Cint%20%5Cmathrm%7Bln%7D%20%5Cfrac%7BP(x)%7D%7BQ(x)%7D%20dx%20%3D%20%5Csum_%7Bx%20%5Cin%20%5COmega%7D%20P(x)%20%5Cmathrm%7Bln%7D%20%5Cfrac%7BP(x)%7D%7BQ(x)%7D%20%5C%5C%5C%5C%20%3D%20E(%5Cmathrm%7Bln%7D%20%5Cfrac%7BP(x)%7D%7BQ(x)%7D%20)

    常见模型识别方法

    对于时间序列模型滞后阶数和模型选择问题,AIC准则之外常见的有假设检验、极大似然函数、

    math?formula=C_p统计量法。这些法则的共同点在于:从残差控制或样本信息反映总体信息大小角度评价,充分考虑每个样本,主要提高模型有效性,忽略模型可靠性。此外每种方法还各自存在不足:

    假设检验:

    需要主观确定显著性水平

    存在不对称性:

    math?formula=a 证实和证伪不对称:从逻辑学上说,没有可以得到彻底证实的东西,而证伪只需要一次足够强的证据即可;

    math?formula=b 犯第一类错误和第二类错误不对称性:从统计学上说,假设检验中一般只控制犯第一类错误的概率,导致犯第一类错误的概率较小,而犯第二类错误的概率可能较大;

    math?formula=c 经济意义和统计意义不对称性:从经济学上说,假设检验是基于数据的统计学方法,统计显著的结果在实际中可能不显著。

    极大似然估计

    前提:需要假定随机样本服从某个概率分布,未知参数的值应当使得样本的似然函数值达到最大。

    特点:在利用样本反映总体信息上达到最优,模型的可靠性很高

    不足:模型的有效性较低,当参数个数增加时,极大似然估计可以无限接近总体情况。

    math?formula=C_p统计量

    通过对模型预测误差进行控制,并用总体方差进行调整。

    math?formula=C_p%20%3D%20%5Cfrac%7BSSE_p%7D%7B%5Chat%7B%5Csigma%7D%5E2%7D%20-%20n%20%2B%202p

    主要存在的问题在于总体方差较难估计。

    最终预报误差

    优点:通过对预测误差的控制实现模型选择,而非从样本信息反映总体信息程度角度。

    理解:最终预报误差是损失函数的一种测度,损失函数越小,表明样本信息提取的越充分,模型用于预测的效果越好。

    公式:对于AR(n)模型,最终预报误差为:

    math?formula=FPE(n)%20%3D%20%5Cfrac%7BN%2Bn%7D%7BN-n%7D(%5Cgamma(0)%20-%20%5Csum_%7Bi%3D1%7D%5En%20%5Chat%7B%5Cphi%7D_i%20%5Cgamma%20_i)

    一般模型拟合阶数最高不会超过样本量的

    math?formula=%5Cfrac2%203

    AIC准则及其改进

    AIC准则

    math?formula=AIC%20%3D%20-2l(%5Chat%7B%5Ctheta%7D)%20%2B%202k

    AIC准则的第一部分是极大似然函数的对数,是从样本信息对总体信息的反映程度即模型拟合情况考虑的;第二部分是对第一部分的惩罚,达到满足模型有效性和可靠性条件下参数个数最少。

    AIC准则突破了以往仅从模型拟合情况的评价标准,其出发点是最小化信息论中的K-L距离(相对熵),需要同时满足有效性、可靠性和经济性。AIC值越小,估计概率分布越接近真实分布。

    大样本条件下,AIC准则中第二部分的惩罚较小,第一项起主导作用,最优模型不收敛于真实情况。

    从FPC准则到AIC准则的改进表示了从预测因变量到预测因变量分布的本质变化。

    AIC准则的改进

    BIC/SBC准则(贝叶斯信息准则)

    math?formula=BIC%20%3D%20-2l(%5Chat%7B%5Ctheta%7D)%20%2B%20k%20%5Cmathrm%7Bln%7D%20n

    BIC准则第二项中引入后验概率

    math?formula=%E5%90%8E%E9%AA%8C%E6%A6%82%E7%8E%87%20%5Cpropto%20%E5%85%88%E9%AA%8C%E6%A6%82%E7%8E%87%20%5Ctimes%20%E4%BC%BC%E7%84%B6%E5%80%BC%EF%BC%88%E6%A0%B7%E6%9C%AC%E4%BF%A1%E6%81%AF%EF%BC%89将样本量个数作为模型优化的因素,考虑了样本量对真实模型估计的影响,在大样本条件下估计效果更好。

    小样本情况下AIC准则第二项约束更强,大样本条件下BIC准则第二项约束更强。一般当样本量大于35时使用BIC准则。

    AIC准则应用

    模型定阶和模型选择

    独立性检验

    列联表独立性检验中,对数似然函数为

    math?formula=l%20%3D%20%5Csum_i%20%5Csum_j%20n(i%2Cj)%20%5Cmathrm%7Bln%7D%20p(i%2Cj)当对模型没有限制时,取

    math?formula=p(i%2Cj)%20%3D%20n(i%2Cj)%2FN可得最大似然函数值,且参数

    math?formula=p(i%2Cj)中可自由取值的个数为

    math?formula=rc-1,此时AIC信息量为

    math?formula=AIC_1%3D(-2)%5Csum_i%20%5Csum_j%20n(i%2Cj)%20%5Cmathrm%7Bln%7D%20%5Cfrac%7Bn(i%2Cj)%7D%7BN%7D%2B2%5Ccdot%20(rc%20-%201)当对模型有独立性限制时,

    math?formula=p(i%2Cj)%20%3D%20p(i%2C%20%5Ccdot)%20p(%5Ccdot%2Cj)%2C%20%5Csum_%7Bi%7Dp(i%2C%5Ccdot)%20%3D%201%2C%5Csum_%7Bj%7D%20p(%5Ccdot%2C%20j)%20%3D%201因此可自由取值的参数个数为

    math?formula=(r-1)(c-1),且取

    math?formula=p(i%2Cj)%20%3D%20%5Cfrac%7BN(i%2C%5Ccdot)%7D%7BN%7D%5Ccdot%20%5Cfrac%7BN(%5Ccdot%2Cj)%7D%7BN%7D时似然函数值达到最大,相应地可以计算出

    math?formula=AIC_2

    math?formula=AIC_2%20%3CAIC_1则应当采用有独立性约束模型。

    相比

    math?formula=%5Cchi%5E2独立性检验,AIC准则不需要主观决定显著性水平的值,因此AIC准则可以用于统计分析自动化。

    方差分析

    主要考虑方差分析模型中交互效应显著性问题。

    math?formula=AIC%20%3D%20N%5Cmathrm%7Bln%7D%20(%E6%AE%8B%E5%B7%AE%E5%B9%B3%E6%96%B9%E5%92%8C)%20%2B%202(%E8%87%AA%E7%94%B1%E5%BA%A6)

    因子分析模型

    利用AIC准则确定公共因子的个数,使得公共因子既能解释原始变量较多的信息,又不会因为公共因子过多而造成解释信息冗余、增加解释既有因子的复杂度,同时减少了根据贡献率选择公共因子个数时的主观性作用。

    math?formula=AIC%20%3D%20-2%20%5Cmathrm%7Bln%7D%20(l(%5Ctheta))%20%2B%202(%E5%8F%82%E6%95%B0%E4%B8%AA%E6%95%B0)其中,

    math?formula=%5Cmathrm%7Bln%7D%20(l(%5Ctheta))%3D%20-%5Cfrac1%202%20N%5B%5Cmathrm%7Bln%7D%20%7C%5CSigma_k%7C%20%2B%20tr(%5CSigma_k%5E%7B-1%7DS)%5D

    math?formula=S%20%3D%20%5Cfrac1%20N%20%5Csum%20(y_i%20-%20%5Cbar%20%7By%7D)(y_i-%5Cbar%7By%7D)'

    math?formula=%5CSigma_k%20%3D%20A_KA_K'%20%2B%20D_k

    参考文献:

    [1] 李子奈.计量经济学模型方法论的若干问题[J].经济动态,2007(10):22-30.

    [2] 陈晓峰.AIC准则及其在计量经济学中的应用研究[D].天津:天津财经大学,2012.

    [3] 刘璋温.赤池信息量准则 AIC 及其意义[J].数学的实践与认识,1980(03):64-72.

    展开全文
  • AIC准则的理解

    千次阅读 2020-05-14 20:41:41
    本文介绍AIC准则的产生及应用。

    AIC = (-2)ln(模型的极大似然函数) + 2(模型的独立参数个数)

    一、AIC准则的产生

    (1)最终预报误差

    对于自回归AR(k)AR(k)模型,用前kk期观测值的线性组合拟合当期序列取值,通过选择回归系数使得预测误差达到最小,即选择合适的aia_i,使得
    sk2=1N(yna0a1yn1akynk)2s_k^2 = \frac1N\sum(y_n-a_0-a_1y_{n-1}-\cdots - a_ky_{n-k})^2达到最小。
    用预报误差的平均值来评价模型拟合的优劣,将其称为最终预报误差FPE=E(yna^k0a^k1yn1a^kkynk)2FPE =E(y_n-\hat{a}_{k0}-\hat{a}_{k1}y_{n-1}-\cdots - \hat{a}_{kk}y_{n-k})^2因此模型的阶数kk的选择问题就等价为FPEFPE的极小化问题
    赤池弘次已经提出,对于AR(k)AR(k)模型,FPE(k)=N+kNk(γ(0)i=1kϕ^iγi)FPE(k) = \frac{N+k}{N-k}(\gamma(0) - \sum_{i=1}^k \hat{\phi}_i \gamma _i)

    (2)K-L距离(相对熵)

    熵的概念来源于信息论,一般用于衡量信源发出的信息中包含的不确定性的大小,计算公式为H=i=1Np(xi)logp(xi)H=-\sum_{i=1}^Np(x_i)\cdot \mathrm{log}p(x_i)根据熵可以计算出用估计的概率分布近似代替原始数据分布时损失的信息。
    K-L距离(相对熵)
    pp为实际概率分布,qq为估计的概率分布,则K-L距离为D(PQ)=E(logP(X)Q(X)=p(x)logP(x)Q(x)dxD(P||Q)=E(\mathrm{log}\frac{P(X)}{Q(X)})=\int p(x)\mathrm{log}\frac{P(x)}{Q(x)}dx,当进行拟合时,希望两分布之间的K-L距离越小越好。

    (3)AIC的产生

    ① 极大似然估计的本质

    设因变量YY具有条件概率密度函数f(yθ)f(y|\theta),当使用极大似然法进行参数估计时,实际上是选择使得似然函数L(θ)=f(y1θ)f(yNθ)L(\theta) =f(y_1|\theta)\cdots f(y_N|\theta)达到最大的估计值θ^\hat{\theta}作为参数值。
    由于NN\to \infty时,1Nlnf(yiθ)Elnf(Yθ)\frac1N \sum lnf(y_i|\theta)\to Elnf(Y|\theta)。因此θ^\hat{\theta}也是使得 Elnf(Yθ)Elnf(Y|\theta)达到最大的估计值。
    YY的真实分布为g(y)=f(yθ0)g(y)=f(y|\theta_0),则K-L距离:D(g()f(θ))=g(y)lng(y)f(yθ)dy=Elng(Y)Elnf(Yθ)D(g(\cdot)||f(\cdot|\theta))= \int g(y)\mathrm{ln}\frac{g(y)}{f(y|\theta)}dy=E\mathrm{ln}g(Y)-E\mathrm{ln}f(Y|\theta)因此θ^\hat{\theta}即等价于使K-L距离达到最小的参数估计,这也是极大似然法的本质。

    ② 参数估计量的评价准则

    类比FPEFPE准则,用E[D(gf(θ^))]E[D(g||f(|\hat{\theta}))]衡量参数估计量的好坏。(这里可以复习一下条件期望的知识),由于Elng(Y)E\mathrm{ln}g(Y)为常数,因此只考虑E[Elnf(Yθ^)]E[E\mathrm{ln}f(Y|\hat{\theta})]

    ③ AIC准则的导出

    λ=maxl(θ0)maxl(θ^)\lambda = \frac{\max l(\theta_0)}{\max l(\hat{\theta})},则当NN\to \infty时,2lnλχ2(k)-2\mathrm{ln}\lambda \to \chi^2(k)kkθ\theta的维数。
    由于E(χ2(k))=kE(\chi^2(k))=k,因此2l(θ^)2l(\hat{\theta})2l(θ0)2l(\theta_0)平均多kk,则可以导出AIC准则。
    当模型为高斯过程时,FPEFPE与AIC准则等价。

    (4)AIC准则的评价

    • AIC准则的第一部分是极大似然函数的对数,是从样本信息对总体信息的反映程度即模型拟合情况考虑的;第二部分是对模型复杂度的惩罚,达到满足模型有效性和可靠性条件下参数个数最少。它既考虑了模型的拟合情况,又考虑了复杂度的影响,采用在同等拟合优度条件下参数最少的模型作为估计模型。
    • AIC准则突破了以往仅从模型拟合情况的评价标准,其出发点是最小化K-L距离(相对熵),需要同时满足有效性、可靠性和经济性。AIC值越小,估计概率分布越接近真实分布。
    • 大样本条件下,AIC准则中第二部分的惩罚较小,第一项起主导作用,最优模型不收敛于真实情况。

    FPEFPE准则到AIC准则的变化实际上是从预测值差异最小到预测分布差异最小的质的变化。

    二、AIC准则的应用

    1. 模型定阶和模型选择
    2. 独立性检验
      列联表独立性检验中,对数似然函数为l=ijn(i,j)lnp(i,j) l = \sum_i \sum_j n(i,j) \mathrm{ln} p(i,j)当对模型没有限制时,取p(i,j)=n(i,j)/Np(i,j) = n(i,j)/N可得最大似然函数值,且参数p(i,j)p(i,j)中可自由取值的个数为rc1rc-1,此时AIC信息量为AIC1=(2)ijn(i,j)lnn(i,j)N+2(rc1) AIC_1=(-2)\sum_i \sum_j n(i,j) \mathrm{ln} \frac{n(i,j)}{N}+2\cdot (rc - 1)当对模型有独立性限制时,p(i,j)=p(i,)p(,j),ip(i,)=1,jp(,j)=1 p(i,j) = p(i, \cdot) p(\cdot,j), \sum_{i}p(i,\cdot) = 1,\sum_{j} p(\cdot, j) = 1因此可自由取值的参数个数为(r1)(c1)(r-1)(c-1),且取p(i,j)=N(i,)NN(,j)Np(i,j) = \frac{N(i,\cdot)}{N}\cdot \frac{N(\cdot,j)}{N}时似然函数值达到最大,相应地可以计算出AIC2AIC_2
      AIC2<AIC1AIC_2 <AIC_1则应当采用有独立性约束模型。
      相比χ2\chi^2独立性检验,AIC准则不需要主观决定显著性水平的值,因此AIC准则可以用于统计分析自动化
    3. 方差分析
      主要考虑方差分析模型中交互效应显著性问题。
      AIC=Nln()+2() AIC = N\mathrm{ln} (残差平方和) + 2(自由度)
    4. 因子分析模型
      利用AIC准则确定公共因子的个数,使得公共因子既能解释原始变量较多的信息,又不会因为公共因子过多而造成解释信息冗余、增加解释既有因子的复杂度,同时减少了根据贡献率选择公共因子个数时的主观性作用。
      AIC=2ln(l(θ))+2() AIC = -2 \mathrm{ln} (l(\theta)) + 2(参数个数) 其中,ln(l(θ))=12N[lnΣk+tr(Σk1S)] \mathrm{ln} (l(\theta))= -\frac1 2 N[\mathrm{ln} |\Sigma_k| + tr(\Sigma_k^{-1}S)] S=1N(yiyˉ)(yiyˉ) S = \frac1 N \sum (y_i - \bar {y})(y_i-\bar{y})' Σk=AKAK+Dk\Sigma_k = A_KA_K' + D_k

    参考文献:
    [1] 李子奈.计量经济学模型方法论的若干问题[J].经济动态,2007(10):22-30.
    [2] 陈晓峰.AIC准则及其在计量经济学中的应用研究[D].天津:天津财经大学,2012.
    [3] 刘璋温.赤池信息量准则 AIC 及其意义[J].数学的实践与认识,1980(03):64-72.

    展开全文
  • aic准则和bic准则 免责声明:这篇文章摘自内部Codurance文档,该文档用于帮助我们的学徒学习我们的工作方式。 我们都知道每个项目都是不同的,而且我们绝不能在任何地方应用完全相同的技术和实践。 但是,以下文字...

    aic准则和bic准则

    免责声明:这篇文章摘自内部Codurance文档,该文档用于帮助我们的学徒学习我们的工作方式。 我们都知道每个项目都是不同的,而且我们绝不能在任何地方应用完全相同的技术和实践。 但是,以下文字不仅作为基础,而且还是我们所有人涉及用户故事时的指南。 有很多关于用户故事的好书和帖子。 这篇文章绝不是该领域所有良好实践的总结。

    用户故事是收集需求,就需要完成的事情达成共识以及向客户提供正在执行的工作的可见性的好方法。 它们还帮助我们根据在给定时间点添加的价值来确定要进行的工作的优先级。

    以下是有关我们如何处理用户故事的一些准则。

    捕获要求

    创建用户故事的主要目的是了解需要做什么。 它们记录了应用程序需要提供的预期行为。 这是通过产品所有者(代表业务需求并负责优先级),业务分析师,QA和其他开发团队之间的密切协作来实现的。

    用户故事生命周期

    用户故事始于这种行为的想法。 此行为还必须与实现后将添加到业务的某些价值相关联。

    最初,用户故事只是一个想法,并且仅具有描述预期行为的标题,没有详细信息。 例如,音乐播放器,报告固定收入交易,显示用户供稿。 产品负责人从业务中引出故事。 团队成员还可以与产品所有者合作,将故事添加到产品积压中。

    产品负责人必须确定开发团队将在下一次迭代中处理的故事的优先级。 这是通过按重要性顺序将故事移至产品积压的顶部来完成的。 仅针对少数几个故事(并非全部)进行此操作。 在该时间点,待办事项顶部的故事具有最高的业务价值。

    一旦对故事进行了优先排序,就应该对其进行完善。 此时,产品负责人将开始指定预期的行为。 他们将提供足够的细节,以便开发人员有足够的信息来开始实施该故事。

    完善用户故事

    一个故事必须具有以下内容:

    1. 它为业务(或特定角色/角色)带来的价值
    2. 预期行为的详细描述,如果适用,最好带有一些示例。
    3. 接受标准意味着开发团队需要做的所有事情,以便产品所有者可以“接受”故事(同意故事完成)。

    用户故事模板

    用户故事的原始模板是:

    As a <actor/role>
    I would like to <desired action>
    So that <business value>

    我们首选的模板是:

    In order to <get some value>
    As a <actor/role>
    I would like to <desired action>

    后一个模板可帮助我们首先关注业务价值。 在许多情况下,使用默认模板时,我们能够完成前两个步骤,而很难完成第三个步骤。 不专注于第三步的问题是,我们最终可能会构建没有真正业务价值的功能。 首先要专注于编写业务价值,这迫使我们讨论故事的真实意义。

    除了业务描述之外,故事还应尽可能多地举例说明。

    最后一部分是验收标准。 在这里我们描述了预期行为的细节,包括边缘情况。 接受标准是产品所有者用来“接受”故事的条件。 验收标准是自动化测试的理想来源。

    示例故事1:信用卡付款

    In order to buy the items I need
    As a customer
    I would like to specify the credit card I want to use.
    
    Acceptance criteria
    
    * User must to have at least one item in the shopping basket in order to go to make the payment
    * £2.00 fee should be added when amount to be paid is less than £10.00
    * Accepted Credit Cards are: Visa, MasterCard, and American Express

    示例故事2:播放列表

    In order to easily find and listen to my favourite songs
    As a music fan
    I would like to organise my songs into playlists.
    
    Acceptance criteria
    
    * A playlist can be empty
    * A song can be added to multiple playlists
    * A song can only be added once to a playlist
    * Playlists should have a unique name
    
    Examples
    
    | Playlist name | Songs                                 |
    | Punk/Rock     | God Save The Queen, American Jesus    |
    | Classic Rock  | Sultans of Swing, Sweet Child of Mine | 
    | General       | Sultans of Swing, Censura             |

    进一步阅读: 举例说明

    将故事分解为任务

    为了估算故事,开发人员应将故事分解为技术任务。 每个任务都应该反映一个很小且可衡量的工作。

    示例故事2的任务:播放列表

    假设我们正在使用前端的AngularJS和后端的Java,Dropwizard和MongoDB构建一个Web应用程序。

    1. 定义前端使用的API。
    2. 更改用户界面以捕获新的播放列表名称(请参见样机)
    3. Dropwizard端点用于创建播放列表
    4. 播放列表服务/存储库界面
    5. MongoDB上播放列表的持久性
    6. 用户界面更改,将歌曲添加到播放列表(请参见样机)
    7. Dropwizard端点,用于将歌曲添加到播放列表
    8. 将持久歌曲添加到MongoDB中的播放列表

    项目7和8应该成为这个故事的一部分吗? 简短的答案是否定的 尽管相关,但任务代表两个不同的概念:创建播放列表并将歌曲添加到播放列表。 下文提供了更多信息。

    将故事分解为小故事

    有时,我们知道我们仅需查看故事的名称或描述就需要将其分解为较小的故事。 例如:处理交易,音乐播放器等。什么类型的交易? 我们有几种类型? 他们有不同的规则吗? 即使处理一次交易也可能是巨大的。 我们需要丰富数据吗? 我们需要向不同的监管机构报告交易吗? 交易来自单一来源吗? 它们具有相同的格式吗? 我们也可能有很多关于音乐播放器的问题。 我们正在播放本地存储的音乐吗? 我们在流媒体吗? 如果是,请问哪些来源? 我们应该支持几种格式? 我们是否应该能够快进,暂停和倒带? 我们是否从先前停止的地方开始播放歌曲? 我们是否显示有关正在播放的歌曲的任何信息? 如果是,我们从哪里获得信息?

    如您所见,我们的故事无法满足整个功能。 换句话说,处理交易和音乐播放器不是故事,而是故事。 功能通常被称为史诗,但是我们认为功能是一个更好的术语。

    完善故事时,我们作为开发人员的职责是向产品所有者提出所有这些问题。 根据答案,我们应该创建代表不同行为的故事。

    产品负责人不知道答案会怎样?

    好吧,这里有几种可能性。 有时可以帮助产品所有者提供一些建议,并解释每个建议的成本/权衡。 有时,整个团队都可以集思广益,并从中选出一个。 但是,根据域的不同,开发人员可能没有足够的业务知识甚至无法提出建议。 在这些情况下,我们可以创建一个故事来表示正在讨论的行为并将其添加到待办事项中。 每当产品负责人得到答案时,她便会优先处理该故事或从待办事项中删除该故事。

    估算值

    关于估计,存在很大的争议。 但是,争论更多地是关于一般的估计,主要是大的前期估计(在Twitter上搜索#noestimates hashtag以获得更多信息。)

    我们发现估算最高优先级故事的行为很有价值,主要是在团队不够成熟的情况下(未掌握系统中使用的所有技术,与企业的交流不是最佳的,缺乏业务领域等)

    估算用户故事会迫使我们考虑为完成故事而需要执行的所有技术任务。 有了任务列表后,我们就可以开始单独估计它们了。 让我们来处理播放列表故事的任务:

    1. 定义前端使用的API(2小时)
    2. 使用者介面变更,以撷取新的播放清单名称(3小时)
    3. 用于创建播放列表的Dropwizard端点(2小时)
    4. 播放列表服务/存储库界面以添加播放列表(2小时)
    5. MongoDB上播放列表的持久性(1小时)
    6. 使用者介面变更,将歌曲加到播放清单(12小时)
    7. Dropwizard端点,用于将歌曲添加到播放列表(2小时)
    8. 将持久歌曲添加到MongoDB的播放列表中(1小时)
    9. [添加]播放列表服务/存储库界面,用于将歌曲添加到播放列表(3小时)
    10. [ADDED]创建新播放列表的通知事件(2小时)
    11. [ADDED]通知事件,歌曲已添加到播放列表(2小时)

    估计副作用

    在尝试估算任务时,我们意识到我们忘记了一些任务(9、10和11),因此我们将它们添加了。 这个故事的预计总时数为32小时。 添加更多任务可以清楚地说明这个故事必须分为两个部分:创建播放列表并将歌曲添加到播放列表。

    估计这个故事的另一件有趣的事情是,我们现在注意到,如果将我们的工作日算为只有5个生产小时(不间断的编码小时),那么这个故事大约需要6.4天。 对于用户故事而言,这太大了,这是将故事分为两部分的另一个原因。

    小有多小?

    考虑一下单一责任原则(SRP)。 是的,来自SOLID的那个。 我们的用户案例应代表一个单一,小型且可测试的概念。

    作为指导原则,故事不应大于迭代的1/3(三分之一)。 这意味着,如果您要进行为期两周的迭代,则故事不应超过3天。 另一方面,任务不应超过半天(2到4个小时)。

    尖刺

    让我们以以下任务为例:

    5. Playlist persistence on MongoDB (1 hour)

    如果这是我们需要使用MongoDB的第一项任务,而我们过去从未进行过MongoDB持久化,则有可能我们并不真正知道我们需要做什么以及需要花费多长时间。 我们需要进行一些研究,甚至可能尝试一些尝试才能估计任务。

    这就是峰值的用途。 尖峰是一个有时间限制的调查活动,其结果在记录调查结果以及故事和任务的改进(包括估计)。 一旦我们花了一两天的时间研究如何在MongoDB上安装,连接和存储数据,我们就可以更好地创建/调整任务并进行估算。

    尖峰不应作为故事的一部分

    尖刺是孤立地完成的,绝不作为故事的一部分。 如果故事取决于突发事件所进行的调查,则应当优先考虑突发事件,并且故事应保留在待办事项列表中。 一旦完成加标,就可以对故事进行细化并安排到下一个迭代中。

    Spike是一种特殊的故事,其价值在于更好地了解可以实现什么或如何实现目标。

    技术故事

    通常,应避免使用它们。 我们应该只有提供商业价值的故事。 应该将技术任务添加到业务案例中。 这样做的原因是始终专注于为客户提供价值,而不是为架构和基础架构而疯狂。

    何时使用技术故事

    在项目开始时,技术故事很常见。 在开始工作之前,需要做好许多准备工作。 例如,持续集成,UAT /测试环境,源代码控制等。为了满足第一个故事,还需要进行大量的基础架构/架构工作。 例如,创建数据库,打包和部署应用程序等。除此之外,始终还需要满足非功能性要求。 例如:性能,安全性,日志记录等。

    表达业务价值

    技术故事不容忽视。 但是,在编写它们时,我们需要表达它们带来的业务价值。 例如保护用户数据,支持更多的并发用户,以更好的响应时间改善用户体验等。

    表达技术故事的商业价值非常重要。 这使企业可以更好地理解为什么需要完成某些事情。 业务还可以分析不做某些事情的风险,并据此对它们进行优先排序。

    技术与商业故事

    只要有可能,我们就不应在业务案例中包含基础结构/架构任务。 例如,在创建客户的业务案例中,我们不应承担将数据库添加到集群的任务。

    非功能性需求(如性能改进,缓存,群集,通信协议)应具有自己的技术故事。

    投资

    INVEST助记符是由Bill Wake创建的,以提醒用户故事质量高的特点,可以在Scrum积压或XP项目中使用它。

    • 独立 :用户故事应该是自包含的,其方式是不固有地依赖于另一个用户故事。
    • 可以商量的:用户故事,直到它们成为迭代的一部分,都可以随时更改和重写。
    • V aluable:用户故事必须为最终用户创造价值。
    • èstimable:您必须始终能够估计用户故事的大小。
    • 缩放(小型):用户故事不应太大,以致无法以一定的确定性来计划/任务/确定优先级。
    • 牛逼 estable:用户故事或与其相关的描述必须提供必要的信息,以使测试开发成为可能。

    有关INVEST的更多信息,请查看其维基百科页面

    我们为什么要关心所有这些?

    我们执行上述所有操作的原因有几个:

    • 可见性:以较小的增量进行工作可以很好地了解已完成的工作,正在执行的工作以及尚待完成的工作。 任务和故事不断变化,在我们的Scrum面板中从TO DODONESwift浏览不同的通道。
    • 反馈:业务和开发团队对事情的进展有不断的反馈。 这样既可以Swift做出React,又可以改变优先级。 如果某个故事出了问题,我们可能只会失去几个小时或几天的工作,而不会花费数周或数月的时间。
    • 团队士气:当我们不断实现目标时,士气总是高涨 ,这意味着将任务和故事移到完成的位置。
    • 敏捷性:小批量工作使我们能够经常部署,快速获得反馈并在必要时进行调整。
    • 团队组织:定义清晰的故事和小任务,可以更轻松地拆分和并行化工作。

    这篇文章是由Sandro Mancuso与Mashooq Badar合作撰写的。

    翻译自: https://www.javacodegeeks.com/2015/03/user-story-guidelines.html

    aic准则和bic准则

    展开全文
  • 基于AIC准则的锂离子电池变阶RC等效电路模型研究
  • aic准则和bic准则 从根本上讲,敏捷用户故事是简短,简单的工具,用于记录目标用户为实现目标所需的单个动作或意图。 最简单的用户故事的格式为:“作为用户类型或角色 ,我要采取行动或意图,以便获得理由或受益 ”...
  • 预测值') plt.xlabel('真实值') plt.ylabel('预测值' ) # 去除图边框的顶部刻度和右边刻度 plt.tick_params(top='off', right='off') # 添加图例 plt.legend(loc='upper left') # 图形展现 plt.show() 采用AIC准则对...
  • ar模型定阶 aic准则 线性预测

    热门讨论 2009-08-20 00:30:59
    dingjie ar模型定阶次 aic准则
  • ar线性预报模型阶数估计 aic 准则 p的阶次选择
  • Python 根据AIC准则定义向前逐步回归进行变量筛选(二) AIC简介 AIC即赤池值,是衡量模型拟合优良性和模型复杂性的一种标准,在建立多元线性回归模型时,变量过多,且有不显著的变量时,可以使用AIC准则结合逐步...
  • 很多参数估计问题均采用似然函数作为目标函数,当训练数据足够多...人们提出许多信息准则,通过加入模型复杂度的惩罚项来避免过拟合问题,此处我们介绍一下常用的两个模型选择方法——赤池信息准则(Akaike Informat...
  • SIC最小准则下的检验结果如下,显示不能拒绝原假设,即数据有单位根。Null Hypothesis: LAUS has a unit rootExogenous: Constant, Linear TrendLag Length: 2 (Automatic based on SIC, MAXLAG=11)t-Statistic Prob...
  • I want to compute AIC for linear models to compare their complexity. I did it as follows:regr = linear_model.LinearRegression()regr.fit(X, y)aic_intercept_slope = aic(y, regr.coef_[0] * X.as_matrix() ...
  • 据我所知,Python中没有AIC包。因此,我试图手动计算它,以找到数据集中的最佳集群数(我使用K-均值进行集群)我遵循Wiki上的公式:AIC=2k-2ln(最大可能性)以下是我当前的代码:range_n_clusters = range(2, 10)for n_...
  • # Multiple Regression Variable Selectiondefmr(selection=False):importosos.chdir(r'C:\Users\Path')importpandasaspdh=pd.read_csv('Dataset.csv',index_col=0)#print(h.head(0)) # dataset's variable namesyva...
  • 使用AIC准则能够避免变量的增加成为残差平方和减小的主要原因情况的发生,防止模型复杂度的增加。 本次采用向前回归法,不断加入变量,得到加入后变量的AIC值,最后找到解释力度最大的变量。 # 向前回归法 def ...
  • 采用AIC准则对变量进行筛选 #定义向前逐步回归函数 def forward_select(target='对数房价'): #读取文件 f = open('北京酒店价格anlysis.csv', encoding='utf/8') data = pd.read_csv(f, encoding='utf/8') ...
  • AIC准则选三个变量的r语言代码

    万次阅读 2015-10-31 22:23:49
    setwd("C:/Users/IBM/Desktop/研一课程/2.2回归分析/回归作业") #设定当前的工作目录 shuju=read.table("shuju.txt...#采用AIC原则自动选择模型-前进法 library(MASS) stepAIC(lm(y~.,data=shuju[,-1])) #146.
  • 2020年《python程序设计》基础知识及程序设计598题[含参考答案]一、填空题1.表达式len('abcdefg'.ljust(3))的值为_________。(7)2.表达式'apple.peach,banana,pear'.find('ppp')的值为________。...
  • 因此,它们也被称为AIC准则、BIC准则等等。它们中的每一个体现的都是一系列的标准,而非单独的一个简单式子。 注意 这些规则只是刻画了用某个模型之后相对“真实模型”的信息损失(因为不知道真正的模型是什么样子...
  • setwd("C:/Users/IBM/Desktop/研一课程/2.2回归分析/回归作业") #设定当前的工作目录 ...#采用AIC原则自动选择模型-前进法 shuju.reg1 shuju.regforward2 summary(shuju.regforward2) #采用A
  • % models of the conditional mean and variance to a univariate return series, % information criteria penalize models with additional parameters, AIC and % either AIC or BIC, models that minimize the ...
  • 除了拟合优度R2检验以外,常用的检验准则还有:自然对数似然函数值(Log likelihood,LogL)、似然比率(Likelihood Ratio,LR)、赤池信息准则(Akaike information criterion,AIC)、施瓦茨准则(Schwartz criterion,SC...
  • 最优模型选择的准则AIC、BIC准则

    万次阅读 2018-07-30 16:34:46
    选择最优模型的指导思想是从两个方面去考察:一个是似然函数最大化,另一个是模型中的未知参数个数最小化。似然函数值越大说明模型拟合的效果越好,但是...AIC准则是由日本统计学家Akaike与1973年提出的,全称是最小...

空空如也

空空如也

1 2 3 4 5 ... 9
收藏数 177
精华内容 70
关键字:

aic准则