分层Gamma-Poisson模型的超先验密度


11

在数据的层次模型中,其中 在实践中选择值似乎很典型(,以使伽玛分布的均值和方差与数据的均值和方差大致匹配(例如Clayton和Kaldor,1987年“疾病测绘的年龄标准化相对风险的经验贝叶斯估计”,Biometrics)。显然,这只是一个临时解决方案,因为它会夸大研究人员对参数的信心y

yPoisson(λ)
λGamma(α,β)
α,β)y(α,β)即使基础数据生成过程保持不变,已实现数据的微小波动也可能对伽玛密度产生重大影响。

此外,Gelman 在贝叶斯数据分析(第二版)中写道,这种方法是“ 草率的 ”。在书和本文中(从第3232页开始),他建议以类似于大鼠肿瘤示例(从第130页开始)的方式选择一些优先级较高的密度)。p(α,β)

尽管很明显,只要只要产生一定的后验密度就可以接受,但我还没有找到研究人员过去用于此问题的任何超高密度示例。如果有人可以指出我使用超优先密度来估计泊松-伽马模型的书籍或文章,我将不胜感激。理想情况下,我对感兴趣,它相对平坦,并且会像老鼠肿瘤示例中的数据一样占主导地位,或者对几种替代规格以及与每种规格相关的取舍进行讨论。p(α,β)p(α,β)

Answers:


5

我没有真正回答这个问题,因为我不是在指给您使用超优先级的书或文章,而是要描述和链接有关Gamma参数先验的东西。

首先,请注意,当被积分时,泊松-伽马模型会导致带有参数和的负二项分布。第二个参数在范围内。如果您希望不提供任何信息,则在上使用Jeffreys优先是合适的。您可以将先验直接放在或通过更改变量来获得:λαβ/(1+β)(0,1)p=β/(1+β)p

p(β)β1/2(1+β)1

另外,您可能会注意到是Gamma分布的比例参数,通常,比例参数的Jeffreys 为。可能会感到奇怪的是,两个模型之间的的Jeffreys先行者有所不同,但是这些模型本身并不等效。一个是用于的分布和另一个用于。支持前者的观点是,假设没有聚类,则数据实际上是分布为负二项式,因此将先验直接放在和ββ1/ββy|α,βλ|α,β(α,p)αp是要做的事。OTOH,例如,如果您在数据中具有多个群集,且每个群集中的观测值具有相同的,则您确实需要以某种方式对进行建模,因此将视为Gamma分布的比例参数将似乎更合适。(我对一个可能引起争议的话题的想法。)λλβ

第一个参数也可以通过Jeffreys Priors解决。如果我们使用共同的技术为每个参数独立地开发Jeffreys先验,然后将联合(非Jeffreys)先验形成为两个单参数先验的乘积,我们将获得Gamma分布的形状参数的先验:α

p(α)PG(1,α)

其中polygamma函数。笨拙,但可截断。您可以将其与上面的Jeffreys先验组合在一起,以获得无信息的联合先验分布。将其与Gamma比例参数的先验相结合,得出Gamma参数的参考先验。PG(1,α)=i=0(i+α)21/β

如果我们希望沿Full Jeffreys路线走,并为Gamma参数形成真正的Jeffreys,我们将得到:

p(α,β)αPG(1,α)1/β

但是,用于多维参数的Jeffreys先验通常具有较差的性能以及较差的收敛特性(请参见讲座的链接)。我不知道Gamma是否会出现这种情况,但是测试会提供一些有用的信息。

有关Gamma先验的更多信息,请参见 Yang和Berger 的“非信息先验目录”的第13-14页。许多其他发行版也在那里。有关Jeffreys和参考先验的概述,这里有一些讲义


感谢您的详细答复。我需要几个小时才能完全阅读支持材料,并通常会摘要其中的内容。请不要由于缺乏感激而误解我缓慢的步伐。
Sycorax说恢复Monica
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.