混合模型思想与贝叶斯方法


10

在混合模型中,我们假设随机效应(参数)是遵循正态分布的随机变量。它看起来与贝叶斯方法非常相似,在贝叶斯方法中,所有参数均假定为随机参数。

那么随机效应模型是贝叶斯方法的特例吗?

Answers:


7

这是一个很好的问题。严格来说,使用混合模型不会使您成为贝叶斯模型。想象一下分别估计每个随机效应(将其作为固定效应进行处理),然后查看结果分布。这是“肮脏的”,但从概念上讲,您具有基于相对频率概念的随机效应的概率分布。

但是,如果作为常客,您使用最大的可能性拟合模型,然后希望“估计”随机效应,则可能会有些麻烦。这些数量并没有像典型的回归参数那样固定,因此比“估计”更好的词可能是“预测”。如果要预测给定主题的随机效果,则需要使用该主题的数据。您需要求助于贝叶斯规则,或者至少要求在这里,随机效应分布基本上像先验一样工作。我认为到这一点,许多人将其称为“经验贝叶斯”。g

f(βi|yi)f(yi|βi)g(βi).
g()

要成为真正的贝叶斯主义者,您不仅需要为随机效果指定分布,还需要为定义该分布的每个参数指定分布(先验),以及所有固定效果参数和模型epsilon的分布。非常激烈!


真正清晰,直接的答案。
DL Dahly 2013年

@baogorek-一个相当强大的默认值是固定效果的柯西先验,方差参数的半柯西-不那么“强烈”-看起来像是受罚的可能性
概率

4

随机效应是一种通过使用条件分布来指定分布假设的方法。例如,随机单向方差分析模型为: 并且此分布假设等效于 其中具有可交换结构(对角线输入和协方差ÿ 1ÿ ĴIID Ñ μ μΣ

(yijμi)iidN(μi,σw2),j=1,,J,μiiidN(μ,σb2),i=1,,I.
Σ σ 2 b + σ 2 瓦特 σ 2 b μ Σ
(yi1yiJ)iidN((μμ),Σ),i=1,,I
Σσb2+σw2σb2)。要贝叶斯化模型,您需要在和上分配先验分布。μΣ

3

如果您谈论的是再现相同的答案,那么答案是肯定的。贝叶斯GLMM的INLA(谷歌“ inla贝叶斯”)计算方法与固定效应和方差参数的统一先验相结合,基本上再现了“简单插入”高斯近似下的EBLUP / EBLUE输出,其中估算了方差参数通过REML。


1

我不这么认为,我认为它是似然函数的一部分。这类似于在回归模型中指定误差项服从正态分布,或者可以使用GLM中的逻辑关系对某个二进制过程进行建模。

由于没有使用任何先验信息或分布,因此我不认为它是贝叶斯方法。


3
以前没有资料用过吗?您如何为似然函数指定函数形式?:-D
概率

有人认为,可能性和先验之间的区别在某种程度上是人为的。
Christoph Hanck,2015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.