タグ付けされた質問 「bayesian」

ベイジアン分析を実行するときに確認する必要があるのは、MCMCサンプルの自己相関です。しかし、この自己相関を引き起こしている原因がわかりません。 ここでは、彼らはそれを言っています [MCMCからの]高い自己相関サンプルは、変数間の強い相関によって引き起こされることがよくあります。 MCMCの高い自己相関サンプルの他の原因は何でしょうか。 JAGS出力で自己相関が観察されたときに確認するもののリストはありますか？ ベイジアン分析で自己相関をどのように管理できますか？一部の人が痩せると言っているのを知っていますが、他の人はそれが悪いと言っています。より長い期間モデルを実行することは別の解決策であり、残念ながら時間がかかり、MCMC内のサンプルのトレースにも影響を与える場合があります。なぜ一部のアルゴリズムは、探索して無相関にするのにはるかに効果的ですか？最初にチェーンの初期値を変更する必要がありますか？

7 correlation  bayesian  autocorrelation  mcmc  jags 

パターン認識と機械学習（Bishop、2007）の第10章に従って、多変量ガウス分布のバニラ変分混合を実装しています。 ベイジアン手法では、事前にガウス逆ウィシャートの（ハイパー）パラメーターを指定する必要があります。 α0α0\alpha_0 （事前のディリクレ濃度パラメーター）; ν0ν0\nu_0 （逆ウィシャート分布の自由度）; β0β0\beta_0 （ガウス逆Wishart分布の疑似観測）; m0m0\mathbf{m}_0 （ガウス分布の平均）。 W0W0\mathbf{W}_0 （逆ウィシャートのスケール行列）。 一般的な選択肢は α0=1α0=1\alpha_0 = 1、 ν0=d+1ν0=d+1\nu_0 = d + 1、 β0=1β0=1\beta_0 = 1、 m0=0m0=0\textbf{m}_0 = \textbf{0}、 W0=IdW0=Id\textbf{W}_0 = \textbf{I}_d、 どこ ddd 空間の次元です。 当然のことながら、事後はパラメータの選択に強く依存する可能性があります（特に、 W0W0\textbf{W}_0 コンポーネントの数に大きな影響を与えます。 α0α0\alpha_0）。ためにメートル0m0\textbf{m}_0 そして W0W0\textbf{W}_0、上記の選択は、データがある程度正規化されている場合にのみ意味があります。 一種の経験的なベイズアプローチに従って、私は設定を考えていました メートル0m0\textbf{m}_0 そして W− 10W0−1\textbf{W}_0^{-1} データの経験的平均および経験的共分散行列に等しい（後者の場合、おそらく対角線のみを考慮することができます。また、サンプルの共分散行列を乗算する必要があります ν0ν0\nu_0）。これは賢明でしょうか？パラメータを設定する他の合理的な方法について何か提案はありますか？（完全に階層的なベイズとDPGMMを使用せずに） （ここにも同様の質問がありますが、私の質問に関連する回答はありません。）

7 machine-learning  bayesian  prior  gaussian-mixture  variational-bayes 

私が理解していることから、ブートストラップはフリークエンシーの設定で非常に便利です。頻出統計では、長期的な確率を推定しようとしています。実際には、無数のサンプルはありません。ブートストラップを使用すると、無数のリサンプルをシミュレートできます。私が理解していることから、これはおそらくフリークエンティスト統計で最も有用なツールです。 ブートストラップ手順は基本的にベイジアンにとって役に立たないのですか？ベイジアンは信念にのみ依存し、元のデータを再サンプリングすることによって、私は信念が変化することを疑っています。 ベイズ統計学ではブートストラップは役に立たないのですか？ 「ベイジアンブートストラップ」は存在しますが、私は特にフリークエンティストブートストラップに言及しています。

7 bayesian  bootstrap