การสร้างแบบจำลองแบบเบย์โดยใช้ตัวแปรหลายตัวแปรร่วมกับ covariate


11

สมมติว่าคุณมีตัวแปรอธิบายโดยที่แทนพิกัดที่กำหนด คุณยังมีตัวแปรตอบสนองขวา) ตอนนี้เราสามารถรวมตัวแปรทั้งสองเป็น:X=(X(s1),,X(sn))sY=(Y(s1),,Y(sn))

W(s)=(X(s)Y(s))N(μ(s),T)

ในกรณีนี้เราเลือกμ(s)=(μ1μ2)TและTเป็นเมทริกซ์ความแปรปรวนร่วมที่อธิบาย ความสัมพันธ์ระหว่างXและYYสิ่งนี้อธิบายค่าXและYที่sเท่านั้น เนื่องจากเรามีคะแนนเพิ่มเติมจากที่ตั้งอื่นสำหรับXและYเราจึงสามารถอธิบายค่าเพิ่มเติมของW(s)ด้วยวิธีต่อไปนี้:

(XY)=N((μ11μ21),TH(ϕ))

คุณจะสังเกตเห็นว่าเราได้จัดเรียงองค์ประกอบของXและYเพื่อให้ได้X(si)ในคอลัมน์และหลังจากนั้นเชื่อมต่อY(si)เข้าด้วยกัน แต่ละองค์ประกอบH(ϕ)ijเป็นฟังก์ชันที่สัมพันธ์กันρ(si,sj)และTอยู่ด้านบน เหตุผลที่เรามีความแปรปรวนร่วมTH(ϕ)เป็นเพราะเราคิดว่ามันเป็นไปได้ที่จะแยกเมทริกซ์ความแปรปรวนเป็นC(s,s)=ρ(s,s)TT

คำถามที่ 1: เมื่อฉันคำนวณเงื่อนไขYXสิ่งที่ฉันกำลังทำจริง ๆ คือสร้างชุดของค่าของY ตามXถูกต้องไหม ฉันมีYดังนั้นฉันจะให้ความสนใจมากขึ้นในการทำนายจุดใหม่y(s0){0}) ในกรณีนี้ฉันควรกำหนดเมทริกซ์H(ϕ)เป็น

H(ϕ)=(H(ϕ)hhρ(0,ϕ))

ที่h(ϕ)เป็นเวกเตอร์ρ(s0sj;ϕ)พี) ดังนั้นเราสามารถสร้างเวกเตอร์ (โดยไม่มีการจัดเรียงใหม่):

W=(W(s1),,W(sn),W(s0))TN(1n+1(μ1μ2),H(ϕ)T)

และตอนนี้ฉันเพิ่งจัดเรียงใหม่เพื่อรับการกระจายแบบร่วมและรับตามเงื่อนไข(Xx(s0)Yy(s0))p(y(s0)x0,X,Y)

ถูกต้องหรือไม่

คำถามที่ 2: สำหรับการทำนายกระดาษที่ฉันกำลังอ่านระบุว่าฉันต้องใช้การแจกแจงแบบมีเงื่อนไขนี้และได้รับหลัง การกระจายแต่ฉันไม่แน่ใจว่าจะได้รับการแจกแจงหลังสำหรับพารามิเตอร์ บางทีฉันอาจใช้การกระจายที่ฉันคิดว่า เหมือนกับจากนั้นก็ใช้ทฤษฎีบทของเบย์เพื่อรับp(y(s0)x0,X,Y)p(μ,T,ϕx(s0),Y,X)(Xx(s0)Y)p(X,x(s0),Yμ,T,ϕ)p(μ,T,ϕX,x(s0),Y)p(X,x(s0),Yμ,T,ϕ)p(μ,T,ϕ)

คำถามที่ 3: ในตอนท้ายของบทย่อยผู้เขียนพูดว่า:

การทำนายเราไม่ได้มี(s_0) สิ่งนี้ไม่ได้สร้างปัญหาใหม่ใด ๆ เนื่องจากอาจถือว่าเป็นตัวแปรแฝงและรวมอยู่ในซึ่งจะส่งผลให้เกิดการดึงเพิ่มเติมภายในการทำซ้ำแต่ละครั้งของกิ๊บส์และเป็นการเพิ่มเข้าไปเล็กน้อยในงานคำนวณX(s0)x

ย่อหน้านั้นหมายถึงอะไร

อย่างไรก็ตามขั้นตอนนี้สามารถพบได้ในบทความนี้ (หน้า 8) แต่อย่างที่คุณเห็นฉันต้องการรายละเอียดเพิ่มเติมเล็กน้อย

ขอบคุณ!


โหวตในการโยกย้ายต่อคำขอของ OP

ฉันจะบอกว่าถูกต้องทั้งคำตอบของคุณสำหรับคำถามที่ 1 และ 2 คำถามที่ 3 หมายความว่าไม่ได้ตรวจสอบนั้นถือเป็นพารามิเตอร์เพิ่มเติมที่ด้านบนของโดยใช้เงื่อนไขแบบเต็มขณะที่ก่อนหน้านี้เกี่ยวกับ(s_0) μ , T , φ P ( x ( s 0 ) | X , , Y , μ , T , φ ) X ( s 0 )X(s0)μ,T,ϕ
p(x(s0)X,,Y,μ,T,ϕ)
X(s0)
ซีอาน

คำตอบ:


2

คำถามที่ 1:จากรูปแบบความน่าจะเป็นแบบร่วมของคุณ การกระจายตามเงื่อนไขของได้รับเป็นปกติด้วยค่าเฉลี่ย และเมทริกซ์ความแปรปรวนร่วม - Y X μ 2 + Σ 21 Σ - 1 11 ( X - μ

(XY)N((μ11μ21),[Σ11Σ12Σ21Σ22])=N((μ11μ21),TH(ϕ))
YX Σ 22 - Σ 21 Σ - 1 11 Σ 21 p(y( s 0 )x( s 0 ), X , Y )(y( s 0 ),x( s 0 ), X , Y )
μ2+Σ21Σ111(Xμ1)
Σ22Σ21Σ111Σ21.
(สูตรเหล่านั้นจะถูกคัดลอกคำต่อคำจากหน้า Wikipedia บนบรรทัดฐานหลายตัวแปร )เช่นเดียวกันกับตั้งแต่เป็นเวกเตอร์ปกติอีกตัวหนึ่งp(y(s0)x(s0),X,Y)(y(s0),x(s0),X,Y)

คำถามที่ 2:การทำนายถูกกำหนดเป็น คือโดยการรวมพารามิเตอร์โดยใช้การแจกแจงด้านหลังของ posteriors เหล่านั้นได้รับข้อมูลปัจจุบัน(s_0)) ดังนั้นจึงมีคำตอบเต็ม ๆ อีกเล็กน้อย เห็นได้ชัดว่าถ้าคุณต้องการจำลองจากการทำนายความคิดในการจำลองจากและจากใช้ได้p(y(s0)x(s0),X,Y)

p(y(s0)|x(s0),X,Y)=p(y(s0)|x(s0),X,Y,μ,T,ϕ)p(μ,T,ϕ|x(s0),X,Y)dμdTdϕ,
(X,Y,x(s0))p(μ,T,ϕX,x(s0),Y)p(y(s0)x(s0),X,Y,μ,T,ϕ)

คำถามที่ 3:ในกรณีที่จะไม่ได้สังเกตคู่สามารถทำนายได้จากที่อื่นทำนาย x(s0)(x(s0),y(s0))

p(x(s0),y(s0)X,Y)=p(x(s0),y(s0)X,Y,μ,T,ϕ)p(μ,T,ϕX,Y)dμdTdϕ.

เมื่อทำการจำลองจากการทำนายนี้เนื่องจากไม่มีอยู่ในรูปแบบที่จัดการได้ตัวอย่าง Gibbsสามารถเรียกใช้ที่จำลองซ้ำ ๆ

  1. μX,Y,x(s0),y(s0),T,ϕ
  2. TX,Y,x(s0),y(s0),μ,ϕ
  3. ϕX,Y,x(s0),y(s0),T,μ
  4. x(s0)X,Y,y(s0),ϕ,T,μ
  5. y(s0)X,Y,x(s0),ϕ,T,μ

หรือรวมขั้นตอนที่ 4 และ 5 เข้าด้วยกันในขั้นตอนเดียว

  • x(s0),y(s0)X,Y,ϕ,T,μ
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.