• No results found

Feature network models for proximity data : statistical inference, model selection, network representations and links with related models

N/A
N/A
Protected

Academic year: 2021

Share "Feature network models for proximity data : statistical inference, model selection, network representations and links with related models"

Copied!
2
0
0

Bezig met laden.... (Bekijk nu de volledige tekst)

Hele tekst

(1)

Feature network models for proximity data : statistical inference,

model selection, network representations and links with related

models

Frank, L.E.

Citation

Frank, L. E. (2006, September 21). Feature network models for proximity data : statistical

inference, model selection, network representations and links with related models.

Retrieved from https://hdl.handle.net/1887/4560

Version:

Not Applicable (or Unknown)

License:

Licence agreement concerning inclusion of doctoral thesis in the

Institutional Repository of the University of Leiden

Downloaded from:

https://hdl.handle.net/1887/4560

(2)

STELLINGEN

Behorend bij het proefschrift: Feature Network Models for Proximity Data

1. Het is mogelijk theoretische standaardfouten te berekenen voor de feature parameters die lijnlengtes voorstellen in Feature Netwerk Modellen(Hoofdstuk 2 van dit proefschrift). 2. Dezelfde theoretische standaardfouten zijn ook toepasbaar op de lijnlengtes in addi-tieve bomen, die een speciaal geval vormen van Feature Netwerk Modellen (Hoofd-stuk 3).

3. Een adequate subset features kan met de Positieve Lasso geselecteerd worden uit de met getransformeerde Gray codes gegenereerde, volledige modelruimte van Feature Netwerk Modellen(Hoofdstuk 4).

4. Hoewel de common feature modellen het meest gebruikt worden, is het distinctieve feature model een algemener model dan het common feature model(Hoofdstuk 5).

5. Alle distinctieve features zijn Gray codes, maar niet alle Gray codes zijn distinctieve features.

6. Bij het bepalen van de stabiliteit van (fylogenetische) additieve bomen wordt onvol-doende rekening gehouden met het feit dat voor de lengte van de lijnstukken posi-tiviteitsrestricties gelden.

7. Selectie van een subset features (of meer in het algemeen, predictor variabelen) met behulp van de (Positieve) Lasso, waarmee het bias-variance trade-off principe wordt gehanteerd, voorkomt het probleem van post hoc meervoudig toetsen.

8. De bootstrap wordt vaak geroemd om de snelheid - mogelijk gemaakt door de heden-daagse computer rekenkracht - waarmee de eigenschappen van een statistiek bepaald kunnen worden. De berekening van de snelheid van een bootstrap studie zou realis-tischer zijn wanneer daarbij ook de tijd wordt opgeteld die het kost om een voor de gegeven situatie geschikt bootstrap design te bedenken.

9. Interdisciplinair onderzoek naar menselijk gedrag, waarbij psychometrici samenwer-ken met andere (gamma) disciplines zou bevorderd moeten worden. De toesamenwer-kenning van de Nobelprijs in 2002 aan het duo Kahneman (kwantitatieve psychologie) en Smith (economie) vormt in ieder geval een bewijs voor het succes van een dergelijke samen-werking.

10. Feature Netwerk Modellen maken gebruik van distinctieve features, die uitsluitend de verschillen tussen de objecten beschrijven, hetgeen als psychologisch model voor menselijk gedrag bepaalde modeltechnische voordelen biedt. In het dagelijks verkeer tussen mensen is het echter beter om op de overeenkomsten te letten.

11. Wundt en Helmholtz worden algemeen als de founding fathers beschouwd van de psy-chologie als wetenschap. Zelf zouden zij eensgezind Spinoza aangewezen hebben. 12. De ontdekking in 2004 van een volk, de Pirah˜a in Brazili¨e, dat niet kan tellen, geen

woorden heeft voor getallen en cognitief niet verder komt dan het onderscheid tussen weinig en veel, heeft wetenschappers voor raadsels geplaatst. Het toont in ieder geval aan dat een subtieler onderscheid dan ´e´en-twee-veel zeker niet van direct levensbelang is. (Gordon, P. (2004). Numerical cognition without words: Evidence from Amazonia. Science, 306, 496-499.)

Referenties

GERELATEERDE DOCUMENTEN

The results with generalized linear models is compared with an already existing model: Network Enrichment Analysis Test6. The data analysis with generalized linear models gives

Chapter 3 showed that given a special, nested, feature structure, formed by a com- bination of cluster features, unique features and internal nodes, the feature network

Feature network models for proximity data : statistical inference, model selection, network representations and links with related models..

H ierna v olgde de studie Franse T aal- en Letterkunde aan de U niv ersiteit Leiden die in 1992 afgesloten werd met h et doctoraal ex amen, en in 1993 werd de eerstegraads- bev

Subject headings: additive tree; city-block models; distinctive features models; fea- ture models; feature network models; feature selection; Monte Carlo simulation;..

Table 1.3 shows the feature discriminability parameters and the associated theo- retical standard errors and 95% t-confidence intervals for the theoretic features of the plants data.

Table 2.3 shows that the nominal standard errors for both ˆη OLS and ˆη ICLS estimators are almost equal to the empirical variability of these parameters captured by the

Applying the Pearson and Deviance goodness-of-fit tests to a model with two categorical predictors revealed a distinct patter in the statistical power of the test