タグ付けされた質問 「bayesian」

ベイズ推定は、モデルパラメータを確率変数として扱い、ベイズの定理を適用して、観測されたデータセットを条件とするパラメータまたは仮説に関する主観的な確率ステートメントを推定することに依存する統計的推定の方法です。

2
ベイジアン設定での以前の「物忘れ」?
それはあなたがより多くの証拠を持っているように(大きい方の形で言っていることはよく知られているについて、ベイジアン前「忘れられた」ますIID例)、及び推論のほとんどは、証拠(または可能性)の影響を受けています。nんnnんnn さまざまな特定のケース(ベータ前のベルヌーイやその他のタイプの例など)で簡単に確認できますが、一般的なケースでといくつかの以前の?P (μ )バツ1、… 、xん〜P (X | μ )x1,…,xn∼p(x|μ)x_1,\ldots,x_n \sim p(x|\mu)p (μ )p(μ)p(\mu) 編集:私はそれが任意の事前の一般的なケースでは表示できないと思います(たとえば、点質量の事前は事後点質量を維持します)。しかし、おそらく、事前が忘れられる特定の条件があるでしょう。 これは、私がそのようなものを示すことを考えている種類の「パス」です。 パラメータ空間がであると仮定し、とを2つの事前分布とすると、すべてのにゼロ以外の確率質量が配置されます。したがって、それぞれの以前の2つの事後計算は次のようになります。P (θ )、Q (θ )ΘΘΘ\Thetap (θ )p(θ)p(\theta)q(θ )q(θ)q(\theta)ΘΘ\Theta p (θ | x1、… 、xん)= ∏私p (x私| θ)p(θ)∫θΠ私p (x私| θ)p(θ)dθp(θ|x1,…,xn)=∏ip(xi|θ)p(θ)∫θ∏ip(xi|θ)p(θ)dθp(\theta | x_1,\ldots,x_n) = \frac{\prod_i p(x_i | \theta) p(\theta)}{\int_{\theta} \prod_i p(x_i | \theta) p(\theta) d\theta} および q(θ | …
9 bayesian  prior 

2
サブセットの分布?
整数サブセットに何らかの種類の標準分布があるかどうか疑問に思っています。同様に、これをバイナリ結果の長ベクトルの分布として表すことができます。たとえば、場合、はベクトル対応します。{1,2,...,J}{1,2,...,J}\{1, 2, ..., J\}JJJJ=5J=5J = 5{1,3,5}{1,3,5}\{1, 3, 5\}(1,0,1,0,1)(1,0,1,0,1)(1, 0, 1, 0, 1) 理想的には、私が探しているのは、2つのバイナリベクトルとが同様の方法で質量を分布する、有限次元パラメータによってインデックスが付けられたファミリからの分布。それらが「近い」場合の確率、つまりとは同様の確率を持ちます。実際、私が希望することは、がかなり大きいことがわかっている場合、がから遠く離れたベクトルに比べておそらく大きくなるように、事前に設定することです。νθ(⋅)νθ(⋅)\nu_\theta (\cdot)θθ\thetar1r1r_1r2r2r_2r1=(0,0,1,0,1)r1=(0,0,1,0,1)r_1 = (0, 0, 1, 0, 1)r2=(0,0,1,1,1)r2=(0,0,1,1,1)r_2 = (0, 0, 1, 1, 1)θθ\thetaνθ(r1)νθ(r1)\nu_\theta (r_1)νθ(r2)νθ(r2)\nu_\theta (r_2)r1r1r_1 頭に浮かぶ1つの戦略は、上のメトリックまたは分散液のいくつかの他の尺度を置くことであろうの、次に取る、または類似したもの。明示的な例は、正規分布と同様にになります。それは問題ありませんが、ベイジアン分析に適した標準的なものがあることを願っています。これでは、正規化定数を書き留めることはできません。dθdθd_\theta{0,1}J{0,1}J\{0, 1\}^Jνθ(r)∝exp(−dθ(r,μ))νθ(r)∝exp⁡(−dθ(r,μ))\nu_\theta (r) \propto \exp (-d_\theta (r, \mu))exp{−∥r−μ∥2/(2σ2)}exp⁡{−‖r−μ‖2/(2σ2)}\exp\left\{-\|r - \mu\|^2 / (2 \sigma^2)\right\}

2
混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックブートストラップ
以下の移植片は、この記事から引用したものです。私はブートストラップの初心者であり、R bootパッケージを使用した線形混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックのブートストラップブートストラップを実装しようとしています。 Rコード これが私のRコードです: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out ご質問 …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

3
観察に基づく頻繁な推論と条件付け(Wagenmakersらの例)
私は統計の専門家ではありませんが、確率の「頻度」または「ベイジアン」の解釈が「正しい」ものであるかどうかについては意見の相違があります。Wagenmakersら。al p。183: 平均がで幅が一様分布を考えます。この分布から2つの値をランダムに描画し、最小値と最大値にラベルを付け、平均がと間にあるかどうかを確認します。この手順が何度も繰り返される場合、平均のは、ケースの半分でと間にあります。したがって、は、に対して50%の頻度信頼区間を与えます。しかし、特定のドローについて、およびと仮定します。1 S L μ S L μ S L (S 、L )μ S = 9.8 、L = 10.7 0.9 S L S &lt; μ &lt; Lμμ\mu111ssslllμμ\mussslllμμ\mussslll(s 、l )(s,l)(s, l)μμ\mus = 9.8s=9.8s = 9.8l = 10.7l=10.7l = 10.7。これらの値の差はで、これは分布の範囲の9/10をカバーしています。したがって、とこれらの特定の値については、頻度主義の信頼区間では50%だけの確信があるはずだと信じ込ませても、であると100%確信できます。0.90.90.9sssllls &lt; μ &lt; ls&lt;μ&lt;ls < \mu < l このケースでは50%の信頼しかないと信じている人はいますか、それともストローマンですか? より一般的には、この本は、「与えられたおよび 、 …


1
ベイジアン情報基準における離散またはバイナリパラメータの説明
BICは、パラメーターの数に基づいてペナルティを課します。一部のパラメーターが何らかのバイナリインジケーター変数である場合はどうなりますか?これらは完全なパラメーターとしてカウントされますか?しかし、バイナリパラメータを値を取る1つの離散変数に組み合わせることができます。これらはパラメータとしてカウントされるのか、1つのパラメータとしてカウントされるのか?{ 0 、1 、。。。、2 m − 1 } mメートルmm{ 0 、1 、。。。、2メートル− 1 }{0,1,...,2m−1}\{0,1,...,2^m-1\}メートルmm

2
データが事前分布を決定し、これらの事前分布を使用してモデルを実行できるようにしますか?(例えば、同じデータセットからのデータ駆動型事前分布)
ベイジアン分析で以前の分布がどのように見えるかを決定するために、分析しているのと同じデータセットを許可するべきではないというのが私の理解です。具体的には、モデルの適合に役立つように事前分布を使用するのと同じデータセットからの要約統計に基づくベイズ分析の事前分布を定義することは不適切です。 これを不適切であると具体的に説明しているリソースを知っている人はいますか?この問題についていくつかの引用が必要です。
9 bayesian  prior 

1
事前密度と尤度から事後密度推定を計算するにはどうすればよいですか?
ベイズの定理を使用して事後を計算する方法を理解しようとしていますが、計算アプローチに行き詰まっています。たとえば、次のケースでは、事前確率と尤度の積を取得して計算する方法がわかりません。後部: この例では、事後確率の計算に興味があり、で事前標準標準を使用しますが、知りたいですMCMCチェーンで表される事前分布から事後を計算する方法。したがって、開始点として1000サンプルを使用します。μ P (μ )〜N (μ = 0 、σ = 1 )μμμ\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 以前からのサンプル1000。 set.seed(0) prior.mu &lt;- 0 prior.sigma &lt;- 1 prior.samples &lt;- sort(rnorm(1000, prior.mu, prior.sigma)) いくつかの観察をします: observations &lt;- c(0.4, 0.5, 0.8, 0.1) そして、尤度を計算します。例::p(y|μ,σ)p(y|μ,σ)p(y | \mu, \sigma) likelihood &lt;- prod(dnorm(observations, mean(prior.samplse), sd(prior.samples))) 私がよく理解していないのは: いつ/どのように事前確率に尤度を掛けるか? …

3
候補者の分布が均一なMetropolis-Hastingsの合格率
均一な候補分布でMetropolis-Hastingsアルゴリズムを実行する場合、受け入れ率を約20%にする根拠は何ですか? 私の考えは、真の(または真に近い)パラメータ値が見つかると、同じ均一な間隔からの新しい候補パラメータ値のセットが尤度関数の値を増加させることはありません。したがって、実行する反復が多いほど、取得率は低くなります。 この考えのどこが間違っているのですか?どうもありがとう! これが私の計算のイラストです: Acceptance_rate=exp{l(θc|y)+log(p(θc))−[l(θ∗|y)+log(p(θ∗)]},Acceptance_rate=exp⁡{l(θc|y)+log⁡(p(θc))−[l(θ∗|y)+log⁡(p(θ∗)]},Acceptance\_rate = \exp \{l(\theta_c|y) + \log(p(\theta_c)) - [l(\theta^*|y) + \log(p(\theta^*) ]\}, ここで、は対数尤度です。lll 候補が常に同じ均一な間隔から取得され、θθ\theta p(θc)=p(θ∗).p(θc)=p(θ∗).p(\theta_c) = p(\theta^*). したがって、受け入れ率の計算は次のように縮小されます。 Acceptance_rate=exp{l(θc|y)−[l(θ∗|y)]}Acceptance_rate=exp⁡{l(θc|y)−[l(θ∗|y)]}Acceptance\_rate = \exp \{l(\theta_c | y) - [l(\theta^* | y) ]\} したがって、の受け入れ規則は次のようになります。θcθc\theta_c もし、間隔で一様分布から描画である次に、U [ 0 、1 ]U≤Acceptance_rateU≤Acceptance_rateU \le Acceptance\_rate UUU[0,1][0,1][0,1] θ∗=θc,θ∗=θc,\theta^* = \theta_c, それ以外の場合は、区間内の均一分布からを描画します [ θ M I N、θ …


4
2 X 3テーブルで複数の事後カイ2乗検定を実行する方法
私のデータセットは、沿岸、ミッドチャネル、オフショアの3つのサイトタイプでの生物の全死亡率または生存率で構成されています。下の表の数字は、サイトの数を表しています。 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 100%の死亡率が発生したサイトの数がサイトのタイプに基づいて重要かどうかを知りたいです。2 x 3カイ2乗を実行すると、重要な結果が得られます。実行できる事後的なペアワイズ比較はありますか、または実際にロジスティックANOVAまたは二項分布の回帰を使用する必要がありますか?ありがとう!

2
ガンマ分布の事前共役
同じシステムに関する新しい故障率に基づいて、故障率を(確定的に与えられた)更新する必要があります(これも確定的なものです)。共役事前分布とポアソンプロセスの共役としてのガンマ分布について読みました。 また、ガンマ距離の平均値を同等と見なすことができます。()を新しいレートに(平均値として)返しますが、標準偏差、変動係数、90パーセンタイル値などの他の情報はありません。それを操作して以前のガンマのパラメータを見つける魔法の方法はありますか?それで私はどのガンマも事後を取得しますか?β/αβ/α\beta/\alpha
9 bayesian 

2
ベイズの定理をの形式で使用しないのはなぜですか?
連続的な場合のベイズの公式のいくつかのあいまいさについては(このように)多くの質問があります。 p(θ|x)=p(x|θ)⋅p(θ)p(x)p(θ|x)=p(x|θ)⋅p(θ)p(x)p(\theta | x) = \frac{p(x | \theta) \cdot p(\theta)}{p(x)} 多くの場合、条件付き分布定義は、が指定された固定の関数であると説明されているという事実から混乱が生じ。f(variable|parameter)f(variable|parameter)f(variable | parameter) fffvariablevariablevariableparameterparameterparameter それに加えて、尤度は次のように記述できることを示す等価原理があります L(θ|x)=p(x|θ)L(θ|x)=p(x|θ) L(\theta | x) = p(x | \theta) それでは、なぜ次の形式の分布にベイズ規則を使用しないのですか? P (θ | X )= L (θ | X )⋅ P (θ )p (x )p(θ|x)=L(θ|x)⋅p(θ)p(x)p(\theta | x) = \frac{L(\theta | x) \cdot p(\theta)}{p(x)} 観測データxが与えられた\ thetaの関数を 扱っていること、およびそれぞれの項が尤度(少なくともLで始まる)であることを強調するには?θθ\thetaバツxxLLL …

1
通常の情報がない事前密度
ベイジアンデータ解析(頁64)について、述べている通常のモデル: 場所とスケールパラメータの事前の独立性を前提として、と賢明で漠然とした事前密度は、、または同等に、σ (μ 、ログσ )P (μ 、σ 2)α (σ 2 )- 1。μμ\muσσ\sigma(μ,logσ)(μ,log⁡σ)(\mu, \log \sigma)p(μ,σ2)∝(σ2)−1.p(μ,σ2)∝(σ2)−1. p(\mu, \sigma^2) \propto (\sigma^2)^{-1}. なぜはと同じですか?P (μ 、σ 2)α (σ 2 )- 1p(μ,logσ)p(μ,log⁡σ)p(\mu, \log \sigma)p(μ,σ2)∝(σ2)−1p(μ,σ2)∝(σ2)−1p(\mu, \sigma^2) \propto (\sigma^2)^{-1} なぜそれが「賢明な」事前なのですか?

3
確率0の何かが起こったとき、ベイジアンはどのように彼の信念を更新しますか?
定義します。=「コインの頭に着地する確率は1です」事前の信念P (X )= 1があると仮定します。ただし、コインを投げた後、尾が着地した後(E := "コインが着陸した尾")。ベイジアンは一貫性を保つためにどのように彼の信念を更新すべきですか? P (X | E )は、P (E )= 0であるため、未定義です。しかし、彼の以前の信念は信じられないほど(もちろん、確率0が不可能というわけではないので)、なんらかの規則に従って何らかの形で信念を更新できるはずだと私には思われます。X:=X:=X:=P(X)=1P(X)=1P(X)= 1E:=E:=E:= P(X|E)P(X|E)P(X|E)P(E)=0P(E)=0P(E) = 0 これはベイジアン更新が機能しない単なる病理的なケースですか、この問題の解決策を知らないのですか?

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.