ไม่มีค่าในตัวแปรตอบกลับใน JAGS


10

Gelman & Hill (2006) พูดว่า:

ใน Bugs ผลลัพธ์ที่หายไปในการถดถอยสามารถจัดการได้อย่างง่ายดายโดยเพียงแค่รวมเวกเตอร์ข้อมูล, NA และทั้งหมด บักเป็นแบบจำลองตัวแปรผลลัพธ์อย่างชัดเจนและดังนั้นจึงเป็นเรื่องเล็กน้อยที่จะใช้โมเดลนี้ในการกำหนดค่าที่ขาดหายไปในแต่ละรอบ

นี่เป็นวิธีที่ง่ายในการใช้ JAGS ในการทำนายผล แต่การสังเกตด้วยผลลัพธ์ที่หายไปยังส่งผลต่อการประมาณพารามิเตอร์ด้วยหรือไม่ หากเป็นเช่นนั้นจะมีวิธีง่ายๆในการเก็บการสังเกตเหล่านี้ไว้ในชุดข้อมูลที่ JAGS เห็น แต่จะไม่ส่งผลกระทบต่อค่าประมาณพารามิเตอร์หรือไม่ ฉันกำลังคิดเกี่ยวกับฟังก์ชั่นการตัด แต่มีให้เฉพาะใน BUGS ไม่ใช่ JAGS

คำตอบ:


11

ใช่มันใช้งานง่ายใน BUGS หรือ JAGS! จริงๆแล้วมันเป็นความสุขที่จะใช้มัน!

แต่การสังเกตด้วยผลลัพธ์ที่หายไปยังส่งผลต่อการประมาณพารามิเตอร์ด้วยหรือไม่

ไม่แน่นอน พารามิเตอร์จะได้รับผลกระทบจากผลลัพธ์ที่สังเกตเท่านั้น ผลลัพธ์ที่หายไป (NAs) จะไม่ส่งผลกระทบอะไรเลยจริงๆแล้วมันเป็นวิธีอื่น: ผลลัพธ์ที่หายไปจะมาจากพารามิเตอร์ โปรดทราบว่าผลลัพธ์ที่หายไปจะมีการกระจายด้านหลังด้วย จากนั้นมันง่ายมากที่จะคำนวณปริมาณที่ได้มาเช่นจำนวนผลรวมของดัชนีของผลลัพธ์และปริมาณที่ได้รับเหล่านี้ไม่เพียง แต่ถูกจัดการสำหรับค่าที่หายไป แต่ยังมีการกระจายด้านหลังด้วย นั่นคือสิ่งที่เซ็กซี่มากใน BUGS & JAGS!

มีความสุข!


1
ขออภัยฉันไม่เชื่อว่าผลลัพธ์ที่หายไปจะไม่ส่งผลต่อการประมาณการพารามิเตอร์ Jackman ดูเหมือนจะพูดตรงข้าม: jackman.stanford.edu/blog/?p=38
Jack Tanner

@ JackTanner ลองคิดดูซักพักนึง คุณค่าที่ขาดหายไปจะส่งผลกระทบต่อบางสิ่งได้อย่างไร เมื่ออัลกอริทึมเริ่มต้นค่าที่หายไปจะเริ่มถูกประเมินจากการประมาณพารามิเตอร์ (สิ่งเหล่านี้ได้มาจากผลลัพธ์ที่สังเกต) จากนั้น (บางทีฉันไม่แน่ใจ) ข้อมูลจากผลลัพธ์ที่หายไปที่ถูกใส่เข้าไปสามารถย้อนกลับไปที่พารามิเตอร์ แต่ไม่สำคัญ - มันเป็นเพียงข้อมูลดั้งเดิมที่มีอยู่ในพารามิเตอร์แล้วเด้งกลับไปที่พารามิเตอร์เหล่านั้น ข้อมูลจริงที่มีผลต่อบางสิ่งมาจากผลลัพธ์ของจริงเท่านั้น หากคุณไม่เชื่อใจฉันทำแบบจำลองเปรียบเทียบผลลัพธ์และโพสต์ที่นี่
อยากรู้อยากเห็น

เห็นได้ชัดว่าเขาไม่แน่ใจเกี่ยวกับลิงก์ของเขาเขาพูดว่า "ปัญหา" - ในเครื่องหมายคำพูดและเขาบอกว่า "มันน่าสนใจที่จะเปรียบเทียบมัน" ฉันบอกว่าจะไม่มีความแตกต่างอย่างมีนัยสำคัญ ถ้าคุณต้องการที่จะทดสอบไปข้างหน้า
อยากรู้อยากเห็น

3
ฉันเห็นด้วย; ไม่แตกต่างกันอย่างมีนัยสำคัญ ฉันใช้วิธีนี้ในการสร้างการกระจายการทำนายหลัง; เพียงแค่ใส่ค่าการทำนายของตัวแปรด้านขวามือพร้อมกับค่าที่ผ่านมาและ NAs สำหรับ "การสังเกต" ของตัวแปรเป้าหมายที่สอดคล้องกับค่าการทำนาย
jbowman

@ jbowman ใช่ทราบดี! ไม่ใช่ความคิดที่ชัดเจนในการทำนายด้วยวิธีนี้!
อยากรู้อยากเห็น
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.