在Dirichlet过程中将先验值放在浓度参数上


9

其中大部分是背景知识,如果您已经对Dirichlet过程混合物有足够的了解,请跳到最后。假设我正在建模来自Dirichlet进程混合的某些数据,即让并以条件假定FD(αH)F

Yiiidf(y|θ)F(dθ).

这里和是现有基础量度。事实证明,如果对于每个观测,如果我知道相关的潜伏,则此模型中的可能性为,其中是的不同值的数量(随机度量几乎肯定是离散的)。Escobar和West开发了以下使用Gamma优先级对进行采样的方案;首先,他们写α>0αHYiθiα

L(α|t)αtΓ(α)Γ(α+n)
tθiFα
π(α|t)π(α)αtΓ(α)Γ(α+n)π(α)αt1(α+n)B(α+1,n)=π(α)αt1(α+n)01xα(1x)n1 dx,
其中是beta函数。然后注意,如果我们引入一个潜在参数则似然具有混合Gamma分布的形式,并用它来写下Gibbs采样器。B(,)XBeta(α+1,n)

现在我的问题。为什么我们不能只写 而不是混合使用Gamma分布,而是使用单个Gamma分布?如果我们引入我是否应该能够做同样的事情而又不需要使用混合物?

L(α|t)αtΓ(α)Γ(α+n)=αtΓ(n)Γ(α)Γ(α+n)Γ(n)=αtB(α,n)Γ(n)αt01xα1(1x)n1 dx,
XBeta(α,n)

编辑更多详细信息更多详细信息:为了填补一些空白,Escobar和West中的论点是,让具有形状为且均值为的Gamma分布,因此我们可以介绍一个潜在的使得全条件句是分配为和A的混合物和一αaa/b

π(α|t)αa+t2(α+n)ebα01xα(1x)n1 dx
X
π(α,x|t)αa+t2(α+n)ebαxα(1x)n1.
Beta(α+1,n)XG(a+t,blog(x))G(a+t1,blog(x))为。α

由相同的参数,我得到了相同的结果,但与用于和为。对我来说,这似乎更容易。他们为什么不这样做呢?Beta(α,n)XG(a+t,blog(x))α

Answers:


3

我看不出您所写的内容与Escobar和West的根本不同。

π(α|t)π(α)π(t|α)=π(α)L(α|t)π(α)αtΓ(α)Γ(α+n)π(α)αtΓ(α)Γ(n)Γ(α+n)=π(α)αtB(α,n)=π(α)αt1(α+n)B(α+1,n)
其中倒数第二行是您的方式,最后一行是E&W的方式它和它们相等,因为 n)\ end {eqnarray *} 回想一下
αB(α,n)=αΓ(α)Γ(n)Γ(α+n)=(αΓ(α))Γ(n)(α+n)(Γ(α+n)(α+n))=(α+n)Γ(α+1)Γ(n)Γ(α+n+1)=(α+n)B(α+1,n)
Γ(z+1)=zΓ(z)

我猜他们比您更喜欢他们的表述,因为它只具有Beta函数项,而不是Beta和Gamma的乘积,但我可能是错的。我不太了解您写的最后一部分,您能否更清楚地了解采样方案?


在我的帖子中添加了更多详细信息。
家伙
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.