在某些情况下,前一个完整的多维模型的杰弗里被generaly视为不足,这是例如的情况下: (其中, ε 〜Ñ (0 ,σ 2),具有 μ和 σ未知),其中事先下面是首选(与全杰弗瑞斯现有 π (μ ,σ )α σ - 2): p (μ ,σ )= π (μ )·&π (σ )α σ - 1
其中 π (μ )是保持 σ固定时(以及类似的 p (σ ))获得的Jeffreys先验值。当在单独的组中处理 σ和 μ时,该先验与参考先验重合。
问题1:为什么将它们分为不同的组比在同一组中进行处理更有意义(如果我正确的话,这会导致(?),在完整的Jeffreys文献中,请参见[1])?
然后考虑以下情况: 其中 θ ∈ [R Ñ是未知的, ε 我〜Ñ (0 ,σ 2), σ是未知,和克是一种已知的非线性函数。在这种情况下,很诱人,根据我的经验,有时可以考虑以下分解: p (σ ,θ )= π (σ )π (θ )
其中 π (σ )和 π (θ )是两个子模型的Jeffreys先验,如同先前的比例尺位置示例一样。
问题2:在这种情况下,我们能否从导出的先验说出关于最优性的任何信息?
[1]来自https://theses.lib.vt.edu/theses/available/etd-042299-095037/unrestricted/etd.pdf:
最后,我们注意到Jeffreys的先验是参考先验的特例。具体而言,Jeffreys先验对应于参考先验,在该参考先验中所有模型参数都在一个组中进行处理。
2
我认为您的意思是多变量模型,严格来说,多变量回归是为左侧的多个变量保留的。
—
mdewey