タグ付けされた質問 「prior」

学生のグループでは、18人のうち2人が左利きです。情報価値のない事前分布を仮定して、人口の左利きの学生の事後分布を見つけます。結果を要約します。文献によると、5-20％の人が左利きです。事前にこの情報を考慮し、新しい事後を計算します。 私が知っているベータ分布は、ここで使用する必要があります。まず、αα\alphaとββ\beta値を1にして？事後の資料で見つけた方程式は π(r|Y)∝r(Y+−1)×(1−r)(N−Y+−1)π(r|Y)∝r(Y+−1)×(1−r)(N−Y+−1)\pi(r \vert Y ) \propto r^{(Y +−1)} \times (1 − r)^{(N−Y +−1)} \\ Y=2Y=2Y=2、N=18N=18N=18 なぜそのrrrは方程式にあるのですか？（rrrは左利きの人々の割合を示します）。不明ですが、この方程式にはどのように当てはまりますか？私には計算にばかげrrr与えられたYYY、その使用rrr与える式でrrr。さて、サンプルとr=2/18r=2/18r=2/18の結果であった0,00190,00190,0019。fff私がそれから推測する必要がありますか？ 期待値を与える式RRR知られて与えられたYYYとNNN、より良い仕事をしてくれました0,150,150,15権利について鳴ります。方程式は、値はおよび割り当てられます。事前情報を考慮するために、とにどの値を指定する必要がありますか？E(r|X,N,α,β)=(α+X)/(α+β+N)E(r|X,N,α,β)=(α+X)/(α+β+N)E(r | X, N, α, β) = (α + X)/(α + β + N)111αααβββαααβββ いくつかのヒントをいただければ幸いです。事前分布と事後分布に関する一般的な講義も害になりません（私はそれらが何であるかを曖昧に理解していますが、曖昧です）高度な数学はおそらく私の頭の上を飛ぶでしょう。

125 distributions  bayesian  prior  posterior 

この質問からのコメントに触発されました： 事前情報で「情報価値のない」と考えるものと、情報価値のない事前情報に含まれている情報は何ですか？ 私は通常、ベイジアン分析からいくつかの素晴らしい部分を借りようとする頻繁なタイプの分析である分析で事前を参照します（「それが最もホットなこと」に至るまでのいくつかの簡単な解釈である）、指定された事前分布は均一0を中心とした効果測定の境界を横切って分布しかしアサートする前に形状を-ただ平坦であることを起こります。 使用する前に、より有益な情報がありますか？

73 bayesian  prior 

ジェフリーズの事前分布は、再パラメーター化の下で不変であることを理解しています。ただし、このプロパティが必要な理由はわかりません。 なぜ変数の変更の下で事前を変更したくないのですか？

61 bayesian  prior 

従属変数のみ、従属変数と独立変数の両方、または独立変数のみが対数変換されるかどうかの解釈に違いがあるのか​​と思います。 の場合を考えます log(DV) = Intercept + B1*IV + Error IVはパーセントの増加として解釈できますが、 log(DV) = Intercept + B1*log(IV) + Error または私が持っているとき DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

関心が単にモデルのパラメーターを推定するだけで（ポイントワイズおよび/または間隔推定）、以前の情報が信頼できず、弱い場合（これは少しあいまいですが、選択のシナリオを確立しようとしています）事前は困難です）...なぜ誰かが、古典的なアプローチの代わりに「非情報的」な不適切な事前確率でベイジアンアプローチを使用することを選択するのでしょうか？

44 bayesian  inference  prior  likelihood  information 

ベイジアンモデルを近似する場合、専門家から事前分布を引き出すにはどうすればよいですか？

42 bayesian  prior  elicitation 

私はベイジアン統計に非常に新しいので、これはばかげた質問かもしれません。それでも： 一様分布を指定する事前確率を使用した信頼できる間隔を検討します。たとえば、0から1で、0から1は効果の可能な値の全範囲を表します。この場合、95％の信頼区間は95％の信頼区間に等しいでしょうか？

31 bayesian  confidence-interval  estimation  prior  credible-interval 

キャレットを使用して、データセットに対してクロス検証されたランダムフォレストを実行しています。Y変数は要因です。データセットにNaN、Inf、またはNAはありません。ただし、ランダムフォレストを実行すると、 Error in randomForest.default(m, y, ...) : NA/NaN/Inf in foreign function call (arg 1) In addition: There were 28 warnings (use warnings() to see them) Warning messages: 1: In data.matrix(x) : NAs introduced by coercion 2: In data.matrix(x) : NAs introduced by coercion 3: In data.matrix(x) : NAs introduced by …

29 r  random-forest  caret  regression  prediction  fitting  social-science  poisson-distribution  distributions  characteristic-function  bayesian  prior  regression  normal-distribution  interaction  nonparametric  skewness  svm  standard-deviation  standard-error  regression-coefficients  igraph  natural-language  word2vec  word-embeddings  regression  machine-learning  sampling  r  regression  machine-learning  random-forest  ensemble  sampling  unbiased-estimator  proof  estimators  mse  probability  conditional-probability  bayes  anova  missing-data  neural-networks  recommender-system  r  confidence-interval  sample  multiple-imputation  r  time-series  forecasting  mase 

ジェフリーズ前に考えてみ、ここでiはフィッシャー情報です。p(θ)∝|i(θ)|−−−−√p(θ)∝|i(θ)|p(\theta) \propto \sqrt{|i(\theta)|}iii 私はこの事前情報が情報価値のない事前情報として言及されているのを見続けていますが、なぜそれが情報価値がないのかという議論を見たことはありません。結局のところ、それは定数の前ではないので、他の引数が必要です。 再パラメータ化に依存しないことを理解しているため、次の質問に進みます。フィッシャー情報の決定要因は再パラメーター化に依存しないということですか？フィッシャーの情報は間違いなく問題のパラメーター化に依存するからです。 ありがとう。

27 bayesian  prior 

これは用語に関する質問です。「曖昧な事前」は、情報価値のない事前と同じですか、または2つの間に何らかの違いがありますか？私の印象では、それらは同じである（あいまいなものと情報のないものを一緒に検索することから）が、確信は持てない。

27 bayesian  prior  terminology 

回帰パラメーターベクトルのLasso推定値は、各事前分布が二重指数分布（ラプラス分布とも呼ばれる）であるBBBの事後モードと同等であることを多くの参考文献で読みました。BBBBiBiB_i 私はこれを証明しようとしましたが、誰かが詳細を具体化できますか？

27 regression  bayesian  lasso  prior  regularization 

ベイジアン推論を実行する場合、パラメーターについて持っている事前確率と組み合わせて尤度関数を最大化することにより動作します。対数尤度がより便利であるため、MCMCを使用して、または事後分布を生成する（PDFを使用してを効果的に最大化し各パラメーターの事前確率と各データポイントの尤度）。∑ln(prior)+∑ln(likelihood)∑ln⁡(prior)+∑ln⁡(likelihood)\sum \ln (\text{prior}) + \sum \ln (\text{likelihood}) 大量のデータがある場合、そこから得られる可能性は、単純な数学によって、以前のデータが提供する情報を圧倒します。最終的に、これは設計上適切です。事後は、想定されているため、より多くのデータで尤度に収束することがわかっています。 共役事前分布によって定義された問題の場合、これは正確に証明できます。 与えられた尤度関数とサンプルサイズに対して事前分布が重要でない場合を決定する方法はありますか？

26 bayesian  prior 

私はベイズ統計学コース（経済学修士課程）で情報価値のない事前の短い理論エッセイを書いており、この理論の発展におけるステップを理解しようとしています。 これまでに、私のタイムラインは、ラプラスの無関心の原則（1812）、非不変の事前分布（ジェフリーズ（1946））、ベルナルドの参照事前（1979）の3つの主要なステップで構成されています。 私の文献レビューから、無関心の原理（ラプラス）は以前の情報の欠如を表すために使用される最初のツールであったが、ジェフリーズが彼の方法を導入した40代まで不変性の欠落した要件がその放棄につながったことを理解しました不変性の望ましい特性。70年代の不適切な事前の不注意な使用に起因する周辺化のパラドックスの発生により、ベルナルドはこの問題に対処するために彼の参照事前理論を練り上げました。 文献を読んで、すべての著者は異なる貢献を引用します：Jaynesの最大エントロピー、BoxおよびTiaoのデータ変換された尤度、Zellner、... あなたの意見では、私が欠けている重要なステップは何ですか？ 編集：誰かが必要な場合は、（メイン）参照を追加します： 1）フォーマルルールによる事前選択、Kass、Wasserman 2）非情報的事前分布のカタログ、Yang、Berger 3）情報量の少ないベイジアンの事前解釈と構造とアプリケーションの問題

24 bayesian  references  prior  history 

現在、状態空間モデルのマルコフ連鎖モンテカルロ（MCMC）アルゴリズムを開発する必要がある問題に取り組んでいます。 この問題を解決するために、次の確率でが与えられました：p（）= 2I（ > 0）/（1+）。はの標準偏差です。τ τ τ 2 τ Xττ\tauττ\tauττ\tauτ2τ2\tau^2ττ\tauバツバツx だから今、私はそれが半分コーシー分布であることを知っています、なぜなら私は例を見てからそれを認識し、そして私がそう言われたからです。しかし、なぜそれが「半コーチ」分布であり、どの特性がそれに伴うのかを完全には理解していません。 プロパティの観点から、私は何が欲しいのかよくわかりません。私はこのタイプの計量経済学理論にかなり慣れていない。そのため、状態空間モデルのコンテキストでの分布と使用方法を理解することがより重要です。モデル自体は次のようになります。 ytバツt + 1at + 1p （σ2）p （τ）= xt+ et= xt+ at + 1〜N （0 、τ2）∝ 1 / σ2= 2 I（τ> 0 ）π（1 + τ2）yt=バツt+etバツt+1=バツt+at+1at+1〜 N（0、τ2）p（σ2）∝1/σ2p（τ）=2私（τ>0）π（1+τ2）\begin{align} y_t &= x_t + e_t \\ x_{t+1} &= x_t + a_{t+1} \\[10pt] a_{t+1} …

24 distributions  bayesian  prior  state-space-models  cauchy 

私は、ベータ配布の直感に関する質問に対する優れた答えに触発された質問をしたかった。バッティングアベレージの事前分布の導出をより良く理解したかったのです。デビッドは平均値と範囲からパラメータをバックアウトしているようです。 平均であるという仮定の下では0.270.270.27と標準偏差は0.180.180.18あなたがバックアウトすることができ、αα\alphaおよびββ\betaこれら二つの方程式を解くことによって： αα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182αα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182\begin{equation} \frac{\alpha}{\alpha+\beta}=0.27 \\ \frac{\alpha\cdot\beta}{(\alpha+\beta)^2\cdot(\alpha+\beta+1)}=0.18^2 \end{equation}

23 bayesian  prior