我一直在阅读Wagenmakers(2007)一种解决普遍存在的p值问题的实用方法。我对将BIC值转换为贝叶斯因子和概率很感兴趣。但是,到目前为止,我对单元信息先验到底是什么还不太了解。我将不胜感激,对图片或此图片的R代码进行解释。
我一直在阅读Wagenmakers(2007)一种解决普遍存在的p值问题的实用方法。我对将BIC值转换为贝叶斯因子和概率很感兴趣。但是,到目前为止,我对单元信息先验到底是什么还不太了解。我将不胜感激,对图片或此图片的R代码进行解释。
Answers:
单位信息先验是与数据相关的先验(通常是多元正态),其均值在MLE处,且精度等于一次观测提供的信息。有关详细信息,请参见此技术报告或本文。UIP的想法是先给“让数据说明一切”;在大多数情况下,添加先验可以告诉您一个观察值居中,而其他数据“指向”的位置对后续分析几乎没有影响。它的主要用途之一是表明在大样本中BIC的使用与贝叶斯因子的使用相对应,并且在其参数上具有UIP。
值得一提的是,对于许多应用问题,许多统计学家(包括贝叶斯主义者)对使用贝叶斯因子和/或BIC感到不适。
单位信息先验基于以下对共轭的解释:
因此,在观察数据,我们有一个的后验,集中在观察的凸组合和观察到数据之前的假设上,是。此外,后验的方差然后由,因此,就好像我们有观测值而不是 μ ˉ X一个 σ 2 ñ+1ñ ˉ X一比较了样本均值的抽样分布。注意,采样分布与后验分布不同。尽管如此,后一种看起来像它,使数据可以说明一切。因此,利用单位信息,先验者得到的后验者大多集中在数据,并作为一次性惩罚而朝着先验信息收缩。
此外,Kass和Wasserman指出,采用上述先验模型可以很好地近似模型选择与 BIC / 2)当大时。中号1:μ ∈ [R Ñ