杰弗里斯(Jeffreys)先验二项式可能性


10

如果我将Jeffreys先验用于二项式概率参数则这意味着使用分布。θθbeta(1/2,1/2)

如果我转换为参考的新帧,则显然也不会以分布的形式分布。ϕ=θ2ϕbeta(1/2,1/2)

我的问题是,从什么意义上说,杰弗里斯对重新参数化的先验不变性是什么?我想我对这个话题真是个误解。

最好,


6
从一个参数化的Jeffreys先验开始并运行变量的适当更改的意义上来说,Jeffreys的先验是不变的,就等于直接为这个新的参数化派生Jeffreys先验。实际上,变量不变量更合适。
西安


另请参阅math.stackexchange.com/questions/210607/…(我认为大致相同的问题,但在不同的站点上)。
纳撒尼尔(Nathaniel)

Answers:


16

设,其中是的单调函数,而是的倒数,因此。我们可以通过两种方式获得杰弗里的先验分布:ϕ=g(θ)gθhgθ=h(ϕ)pJ(ϕ)

  1. 从二项式模型(1) 用重新参数化模型以得到 并为此模型获得Jeffrey的先验分布。
    p(y|θ)=(ny)θy(1θ)ny
    ϕ=g(θ)
    p(y|ϕ)=(ny)h(ϕ)y(1h(ϕ))ny
    pJ(ϕ)
  2. 从原始二项式模型1 获得Jeffrey的先验分布并应用变量公式的变化来获得pJ(θ)ϕ
    pJ(ϕ)=pJ(h(ϕ))|dhdϕ|.

不变地意味着重新参数化意味着以两种方式导出的密度应该相同。杰弗里(Jeffrey)的先验具有此特征[参考:P. Hoff的贝叶斯统计方法的第一门课程 ]。pJ(ϕ)

回答您的评论。要从二项式模型的似然中 获得Jeffrey的先验分布 我们必须通过采用似然对数来计算Fisher信息,并计算二阶导数 ,Fisher信息为 pJ(θ)

p(y|θ)=(ny)θy(1θ)ny
ll
l:=log(p(y|θ))ylog(θ)+(ny)log(1θ)lθ=yθny1θ2lθ2=yθ2ny(1θ)2
I(θ)=E(2lθ2|θ)=nθθ2+nnθ(1θ)2=nθ(1θ)θ1(1θ)1.
该模型的Jeffrey先验条件是 ,即。
pJ(θ)=I(θ)θ1/2(1θ)1/2
beta(1/2,1/2)


1
感谢您的回答。怕我有点慢。在什么意义上我们可以从可能性中获得先验?它们是两个独立的事物,后者并不意味着前者...
ben18785 '17

4
上面我从二项式模型的可能性中获得了杰弗里的先验来回答。pJ(θ)
MarkoLalović17年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.