我以前曾问过这个问题,并且一直在努力确定什么使模型参数以及什么使它成为潜在变量。因此,在本站点上有关该主题的各种主题中,主要区别似乎是:
不会观察到潜在变量,但它们具有相关的概率分布,因为它们是变量,也未观察到参数,也没有与它们相关的分布,据我所知,这些变量是常数,并且具有固定但未知的值,我们正在尝试找。同样,我们可以对参数进行先验表示,以表示我们对这些参数的不确定性,即使只有一个真实值与它们相关联,或者至少是我们所假设的。我希望到目前为止我是对的吗?
现在,我一直在从期刊论文中查看贝叶斯加权线性回归的示例,并且确实在努力理解什么是参数和什么是变量:
这里观察到和,但是只有被视为变量,即具有与之关联的分布。ÿ ÿ
现在,建模假设为:
因此,的方差被加权。
和上也有一个先验分布,分别是正态分布和gamma分布。 w ^
因此,完整的对数可能性由下式给出:
现在,据我了解,和都是模型参数。但是,在本文中,他们一直将它们称为潜在变量。我的推论是和都是变量的概率分布的一部分,它们都是模型参数。但是,作者将它们视为潜在的随机变量。那是对的吗?如果是这样,模型参数是什么?w ^ β w ^ ÿ
可以在这里找到该论文(http://www.jting.net/pubs/2007/ting-ICRA2007.pdf)。
本文是Ting等人的《自动离群值检测:贝叶斯方法》。