Winbugs和其他MCMC,无须事先分发的信息


10

当您不了解参数分布时会发生什么?我们应该使用什么方法?

大多数时候,我们的目标是低估某个变量是否对某个物种的存在/不存在有任何影响,并且根据变量的重要性来接受或不接受该变量。这意味着大多数时候我们不考虑参数应具有的展开分布。

当我所知道的是b1,b2,b3和b4应该在-2和2之间变化而b0可以在-5和5之间变化时,假设所有参数都遵循正态分布是正确的吗?

model {
    # N observations
    for (i in 1:N) {
        species[i] ~ dbern(p[i])
        logit(p[i]) <- b0 + b1*var1[i] + b2*var2[i] + 
            b3*var3[i] + b4*var4[i]
    }
    # Priors
    b0     ~ dnorm(0,10)
    b1   ~ dnorm(0,10)
    b2 ~ dnorm(0,10)
    b3  ~ dnorm(0,10)
    b4  ~ dnorm(0,10)
}

如果没有先验条件,则不能使用贝叶斯推理。因此,采用MCMC方法,
2012年

Answers:


6

线性预测变量中的参数是t分布的。当记录数达到无穷大时,它收敛到正态分布。所以是的,通常假设参数的正态分布是正确的。

无论如何,在贝叶斯统计中,您无需假设参数分布。通常,您指定所谓的无先验先验。对于每种情况,建议使用不同的先验信息。在这种情况下,人们经常使用类似的东西(您当然可以调整值):

dunif(-100000, 100000)

要么

dnorm(0, 1/10^10)

第二个是首选,因为它不限于特定值。如果先验信息不充分,您将没有风险。您当然可以将它们限制为特定的时间间隔,但是要小心。

因此,您可以指定无先验的先验,参数分布本身就会出来!无需对此做任何假设。


1
不幸的是,这并非完全正确:上述统一先验中的界限会影响结果,尤其是。在检验假设时。我认为这是Winbugs的缺点。
西安

@西安-当然,我就是这么说的。这就是为什么在这种情况下我更喜欢“平坦法线”的原因-即第二种选择。可能需要调整第二个参数。
好奇的2012年

1
嗯,这根本不是一个先例……
西安

您可以自由使用dnorm(0, 1/10^10)或进行任何操作
好奇的

8

不幸的是,无害的先验行为可能非常危险(甚至愚弄了一些经验丰富的贝叶斯主义者)。

最近的这篇论文很好地介绍了绘制方法,以可视化先验和后验(通常是边际先验/后验相关参数)。

指定非信息优先级的隐患。John W. Seaman III,John W. Seaman Jr.和James D. Stamey,《美国统计学家》第66卷,第2期,2012年5月,第77-84页。 http://amstat.tandfonline.com/doi/full/10.1080/00031305.2012.695938

我认为,在任何实际的贝叶斯分析中,这些图都必须是必需的,即使分析人员不需要它们也是如此-大多数读者应清楚贝叶斯分析中发生的情况。


2
好的链接,可惜它不是免费提供的。
2012年

6

灵敏度分析通常是一个很好的方法:尝试不同的先验方法,看看结果如何随之变化。如果它们很健壮,您也许可以说服许多人相信您的结果。否则,您可能需要以某种方式量化先验如何改变结果。

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.