Winbugs และ MCMC อื่น ๆ โดยไม่มีข้อมูลสำหรับการเผยแพร่ก่อนหน้า


10

จะเกิดอะไรขึ้นเมื่อคุณไม่มีแนวคิดเกี่ยวกับการกระจายพารามิเตอร์ เราควรใช้วิธีใด

เวลาส่วนใหญ่ของเรามุ่งไปที่ขีดล่างหากตัวแปรบางตัวมีอิทธิพลเหนือการมีอยู่ / ไม่มีชนิดที่แน่นอนและตัวแปรนั้นได้รับการยอมรับหรือไม่ตามความสำคัญของตัวแปร ซึ่งหมายความว่าส่วนใหญ่เราไม่ได้คิดเกี่ยวกับการแจกแจงแบบ expetcted พารามิเตอร์ควรมี

มันถูกต้องหรือไม่ที่จะสมมติว่าพารามิเตอร์ทั้งหมดเป็นไปตามการแจกแจงปกติเมื่อทุกอย่างที่ฉันรู้คือว่า b1, b2, b3 และ b4 ควรแตกต่างกันระหว่าง -2 ถึง 2 และ b0 สามารถแตกต่างกันระหว่าง -5 และ 5?

model {
    # N observations
    for (i in 1:N) {
        species[i] ~ dbern(p[i])
        logit(p[i]) <- b0 + b1*var1[i] + b2*var2[i] + 
            b3*var3[i] + b4*var4[i]
    }
    # Priors
    b0     ~ dnorm(0,10)
    b1   ~ dnorm(0,10)
    b2 ~ dnorm(0,10)
    b3  ~ dnorm(0,10)
    b4  ~ dnorm(0,10)
}

หากคุณไม่ได้มีมาก่อนคุณไม่สามารถใช้การอนุมานแบบเบย์ ด้วยเหตุนี้วิธีการของ MCMC
ซีอาน

คำตอบ:


6

พารามิเตอร์ในการทำนายเชิงเส้นเสื้อกระจาย เมื่อจำนวนของระเบียนไปที่อินฟินิตี้มันจะมาบรรจบกับการแจกแจงแบบปกติ ใช่แล้วโดยปกติมันจะถือว่าถูกต้องเพื่อถือว่าการแจกแจงปกติของพารามิเตอร์

อย่างไรก็ตามในสถิติแบบเบย์คุณไม่จำเป็นต้องสมมติการกระจายพารามิเตอร์ ปกติคุณระบุเรียกว่าไพรเออร์ uninformative สำหรับแต่ละกรณีแนะนำให้ใช้ตัวพิมพ์ใหญ่ที่ไม่แตกต่างกัน ในกรณีนี้คนมักจะใช้สิ่งที่ชอบ (คุณสามารถปรับค่าของหลักสูตร):

dunif(-100000, 100000)

หรือ

dnorm(0, 1/10^10)

แนะนำให้เลือกอันที่สองเนื่องจากไม่ จำกัด เฉพาะค่า ด้วยนักบวชที่ไร้ความสามารถคุณไม่มีความเสี่ยง แน่นอนคุณสามารถ จำกัด ให้เฉพาะช่วงเวลา แต่ระวัง

ดังนั้นคุณระบุ uninformative ก่อนและการกระจายพารามิเตอร์จะออกมาเอง! ไม่จำเป็นต้องตั้งสมมติฐานใด ๆ เกี่ยวกับเรื่องนี้


1
น่าเสียดายที่นี่ไม่เป็นความจริงเลย: ขอบเขตในเครื่องแบบก่อนหน้านี้สามารถมีอิทธิพลต่อผลลัพธ์ เมื่อทดสอบสมมติฐาน นี่เป็นข้อเสียเปรียบของ Winbugs ในความคิดของฉัน
ซีอาน

@ ซีอาน - แน่นอนนั่นคือสิ่งที่ฉันพูด นั่นเป็นเหตุผลที่ฉันชอบ "flat normal" ในกรณีนี้ - นั่นคือตัวเลือกที่สอง อาจเป็นไปได้ด้วยการปรับแต่งพารามิเตอร์ที่สอง
อยากรู้อยากเห็น

1
อืมมันไม่ได้แบนเลยก่อน ...
ซีอาน

คุณมีอิสระที่จะใช้dnorm(0, 1/10^10)หรืออะไรก็ตาม
Curious

8

น่าเสียดายที่นักบวชที่ไม่เป็นอันตรายดูเหมือนจะเป็นอันตรายมาก

บทความล่าสุดนี้แสดงการแนะนำที่ดีพร้อมกับวิธีการพล็อตเพื่อให้เห็นภาพก่อนหน้าและหลัง (โดยปกติแล้วจะเป็นนักบวชชั้นสูง / หลังสำหรับพารามิเตอร์ที่น่าสนใจ)

อันตรายที่ซ่อนอยู่ของการระบุนักบวชที่ไม่ใช่ข้อมูลใหม่ John W. Seaman III, John W. Seaman Jr. และ James D. Stamey นักสถิติชาวอเมริกันเล่มที่ 66, ฉบับที่ 2, พฤษภาคม 2012, หน้า 77-84 http://amstat.tandfonline.com/doi/full/10.1080/00031305.2012.695938

แผนการดังกล่าวในความเห็นของฉันควรมีความรับผิดชอบในการวิเคราะห์แบบเบย์ใด ๆ ที่เกิดขึ้นจริงแม้ว่านักวิเคราะห์ไม่ต้องการพวกเขา - สิ่งที่เกิดขึ้นในการวิเคราะห์แบบเบย์ควรทำให้ชัดเจนสำหรับผู้อ่านส่วนใหญ่


2
ลิงค์ที่ดีมันเป็นเรื่องที่ไม่สามารถใช้ได้อย่างอิสระ
อยากรู้อยากเห็น

6

การวิเคราะห์ความไวมักเป็นวิธีที่ดีในการดำเนินการ: ลองใช้นักบวชที่แตกต่างกันและดูว่าผลลัพธ์ของคุณเปลี่ยนแปลงไปอย่างไร หากพวกเขาแข็งแกร่งคุณอาจจะสามารถโน้มน้าวใจผู้คนมากมายเกี่ยวกับผลลัพธ์ของคุณ มิฉะนั้นคุณอาจต้องการปริมาณอย่างใดว่านักบวชเปลี่ยนผลลัพธ์อย่างไร

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.