คำถามติดแท็ก bayesian

มีอัลกอริธึมมาตรฐาน (ตรงข้ามกับโปรแกรม) สำหรับการถดถอยเชิงเส้นแบบลำดับชั้นหรือไม่? คนมักจะทำเพียงแค่ MCMC หรือมีความเชี่ยวชาญมากขึ้นบางทีอาจจะเป็นรูปแบบปิดอัลกอริทึมบางส่วน?

9 regression  bayesian  multiple-regression  multilevel-analysis  irls 

BIC ลงโทษตามจำนวนพารามิเตอร์ เกิดอะไรขึ้นถ้าพารามิเตอร์บางตัวเป็นตัวแปรตัวบ่งชี้ไบนารีบางประเภท นับเป็นพารามิเตอร์แบบเต็มหรือไม่ แต่ผมสามารถรวมพารามิเตอร์ไบนารีในตัวแปรที่ไม่ต่อเนื่องหนึ่งที่จะนำค่าใน\} สิ่งเหล่านี้จะนับเป็นพารามิเตอร์หรือพารามิเตอร์เดียวหรือไม่ม.ม.m{ 0 , 1 , . . ,2ม.- 1 }{0,1,...,2ม.-1}\{0,1,...,2^m-1\}ม.ม.m

9 bayesian  model-selection  bic  parameterization 

เป็นความเข้าใจของฉันที่เราไม่ควรอนุญาตให้มีชุดข้อมูลเดียวกับที่เรากำลังวิเคราะห์เพื่อขับเคลื่อน / กำหนดว่าการกระจายก่อนหน้านี้มีลักษณะอย่างไรในการวิเคราะห์แบบเบย์ โดยเฉพาะอย่างยิ่งมันไม่เหมาะสมที่จะกำหนดการกระจายก่อนหน้านี้สำหรับการวิเคราะห์แบบเบส์ตามสถิติสรุปจากชุดข้อมูลเดียวกันที่คุณจะใช้นักบวชเพื่อช่วยให้พอดีกับแบบจำลอง มีใครรู้บ้างเกี่ยวกับทรัพยากรที่พูดถึงเรื่องนี้โดยเฉพาะว่าไม่เหมาะสมหรือไม่? ฉันต้องการการอ้างอิงบางอย่างสำหรับปัญหานี้

9 bayesian  prior 

ฉันพยายามที่จะเข้าใจวิธีการใช้ทฤษฎีบทของเบย์ในการคำนวณหลัง แต่กำลังติดอยู่กับวิธีการคำนวณเช่นในกรณีต่อไปนี้มันไม่ชัดเจนสำหรับฉันที่จะใช้ผลิตภัณฑ์ของความน่าจะเป็นก่อนและจากนั้นคำนวณ หลัง: สำหรับตัวอย่างนี้ฉันสนใจในการคำนวณความน่าจะเป็นหลังของและฉันใช้มาตรฐานปกติก่อนหน้านี้ในแต่ฉันอยากรู้ วิธีการคำนวณหลังจากก่อนหน้านี้ที่แสดงโดยห่วงโซ่ MCMC ดังนั้นฉันจะใช้ 1,000 ตัวอย่างเป็นจุดเริ่มต้นของฉันμμ\muμμ\mu p(μ)∼N(μ=0,σ=1)p(μ)∼N(μ=0,σ=1)p(\mu)\sim N(\mu = 0, \sigma = 1)μμ\mu ตัวอย่าง 1,000 จากก่อนหน้า set.seed(0) prior.mu <- 0 prior.sigma <- 1 prior.samples <- sort(rnorm(1000, prior.mu, prior.sigma)) ทำการสังเกตบางอย่าง: observations <- c(0.4, 0.5, 0.8, 0.1) และคำนวณความน่าจะเป็นเช่น :p(y|μ,σ)p(y|μ,σ)p(y | \mu, \sigma) likelihood <- prod(dnorm(observations, mean(prior.samplse), sd(prior.samples))) สิ่งที่ฉันไม่ค่อยเข้าใจคือ: เมื่อใด …

9 bayesian  simulation  computational-statistics 

เมื่อรันอัลกอริทึม Metropolis-Hastings ด้วยการแจกแจงผู้สมัครที่สม่ำเสมอเหตุผลในการมีอัตราการยอมรับประมาณ 20% คืออะไร? ความคิดของฉันคือ: เมื่อค้นพบค่าพารามิเตอร์จริง (หรือใกล้เคียงกับจริง) แล้วไม่มีการตั้งค่าพารามิเตอร์ของตัวเลือกใหม่จากช่วงเวลาเดียวกันที่เหมือนกันจะเพิ่มค่าของฟังก์ชันความน่าจะเป็น ดังนั้นยิ่งฉันวิ่งซ้ำมากเท่าไหร่อัตราการยอมรับก็ยิ่งต่ำลงเท่านั้น ฉันผิดในความคิดนี้ที่ไหน ขอบคุณมาก! นี่คือภาพประกอบการคำนวณของฉัน: A c c e p t a n c e _ r a t e = exp{ l (θค| Y) + บันทึก( p (θค) ) - [ l (θ* * * *| Y) + บันทึก( p (θ* …

9 bayesian  estimation  sampling  mcmc 

ทำไมความสามารถในการแลกเปลี่ยนของตัวแปรสุ่มจึงจำเป็นสำหรับการสร้างแบบจำลองแบบเบย์แบบลำดับชั้น?

9 bayesian  multilevel-analysis  exchangeability 

ชุดข้อมูลของฉันประกอบด้วยการเสียชีวิตโดยรวมหรือการอยู่รอดของสิ่งมีชีวิตที่ไซต์สามประเภททั้งฝั่งกลางและกลาง ตัวเลขในตารางด้านล่างแสดงถึงจำนวนเว็บไซต์ 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 ฉันต้องการทราบว่า # ของเว็บไซต์ที่มีอัตราการตาย 100% มีความสำคัญตามประเภทของไซต์หรือไม่ ถ้าฉันใช้ไคสแควร์ 2 x 3 ฉันจะได้ผลลัพธ์ที่สำคัญ มีการเปรียบเทียบแบบคู่หลังที่ฉันสามารถเรียกใช้หรือฉันควรใช้ ANOVA จิสติกส์หรือการถดถอยด้วยการแจกแจงแบบทวินามหรือไม่ ขอบคุณ!

9 logistic  multiple-comparisons  chi-squared  r  text-mining  clustering  classification  feature-selection  unsupervised-learning  time-series  references  mode  hypothesis-testing  confidence-interval  bootstrap  normal-distribution  order-statistics  correlation  statistical-significance  spss  bayesian  beta-binomial 

ฉันจำเป็นต้องอัปเดตอัตราความล้มเหลว (ที่กำหนดเป็นตัวกำหนด) ตามอัตราความล้มเหลวใหม่เกี่ยวกับระบบเดียวกัน ฉันอ่านเกี่ยวกับคอนจูเกียร์คอนจูเกตและการแจกแจงแกมม่าเพื่อเชื่อมต่อกับกระบวนการปัวซง นอกจากนี้ฉันสามารถเทียบค่าเฉลี่ยของ Gamma dist ( ) ถึงอัตราใหม่ (เป็นค่าเฉลี่ย) แต่ฉันไม่มีข้อมูลอื่น ๆ เช่นค่าเบี่ยงเบนมาตรฐานสัมประสิทธิ์การแปรผันค่าร้อยละ 90, ... ฯลฯ มีวิธีเวทย์มนตร์ในการจัดการและหาพารามิเตอร์สำหรับ Gamma ก่อนหน้านี้หรือไม่ดังนั้นฉันจึงได้ภาพหลังที่ Gamma ด้วย?β/ αβ/α\beta/\alpha

9 bayesian