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)∝β−1/2(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。