Questions tagged «bayesian»

我不是统计学专家，但是我认为对于概率的“常客”或“贝叶斯”解释是否是“正确”的说法存在分歧。来自Wagenmakers等。al p。183： 考虑均值和width的均匀分布。从该分布中随机抽取两个值，分别标记最小的和最大的，并检查均值是否位于和之间。如果此过程重复很多次，则在一半情况下，平均将位于和之间。因此，给出的50％频繁置信区间。但假设对于特定抽签，且μμ\mu1个11sss升llμμ\musss升llμμ\musss升ll（小号，升）(s,l)(s, l)μμ\mus =9.8s=9.8s = 9.8l =10.7l=10.7l = 10.7。这些值之间的差为，这覆盖了分布范围的9/10。因此，对于和这些特定值，我们可以对 100％的置信度，即使常客的置信区间会让您相信您应该仅拥有50％的置信度。0.90.90.9sss升lls &lt; μ &lt;ls&lt;μ&lt;ls < \mu < l 真的有人相信在这种情况下只有50％的信心吗？ 我想更一般地说，这本书似乎是在说常客不能表达一个有条件的主张，例如“给定且 ， 的概率为1”。条件是否暗含贝叶斯推理是真的吗？s = 9.8s=9.8s = 9.8l = 10.7l=10.7l = 10.7s &lt; μ &lt; ls&lt;μ&lt;ls<\mu<l

9 bayesian  confidence-interval  frequentist  philosophical 

是否有用于进行分层线性回归的标准算法（相对于程序）？人们通常只是做MCMC还是有更专业的（也许是部分封闭的形式）算法？

9 regression  bayesian  multiple-regression  multilevel-analysis  irls 

BIC根据参数数量进行处罚。如果某些参数是某种二进制指示器变量怎么办？这些算作完整参数吗？但我可以结合米mm 二进制参数变成一个离散变量，其值取 { 0 ，1 ，。。。，2米− 1 }{0,1,...,2m−1}\{0,1,...,2^m-1\}。这些算作是米mm 参数还是一个参数？

9 bayesian  model-selection  bic  parameterization 

我的理解是，我们不应该允许我们正在分析的同一数据集来驱动/定义贝叶斯分析中的先验分布。特别是，基于来自同一数据集的摘要统计信息来定义贝叶斯分析的先验分布是不合适的，然后您将使用先验来帮助模型拟合。 有谁碰巧知道专门讨论这是不合适的资源？我需要对此问题进行一些引用。

9 bayesian  prior 

我试图了解如何使用贝叶斯定理来计算后验，但被计算方法所困扰，例如，在以下情况下，我不清楚如何获取先验和似然的乘积，然后计算出后： 对于此示例，我有兴趣计算的后验概率，并且在上使用标准正态先验，但是我想知道如何通过MCMC链表示的上的先验计算后验，因此我将使用1000个样本作为起点。μμ\muμμ\mu p （μ ）〜Ñ（μ = 0 ，σ= 1 ）p(μ)∼N(μ=0,σ=1)p(\mu)\sim N(\mu = 0, \sigma = 1)μμ\mu 从先前的样本1000。 set.seed(0) prior.mu &lt;- 0 prior.sigma &lt;- 1 prior.samples &lt;- sort(rnorm(1000, prior.mu, prior.sigma)) 做一些观察： observations &lt;- c(0.4, 0.5, 0.8, 0.1) 并计算可能性，例如：p （ÿ| μ，σ）p(y|μ,σ)p(y | \mu, \sigma) likelihood &lt;- prod(dnorm(observations, mean(prior.samplse), sd(prior.samples))) 我不太了解的是： 什么时候/如何将先验乘以可能性？ 什么时候/如何规范后验密度？ …

9 bayesian  simulation  computational-statistics 

当使用均一的候选分布运行Metropolis-Hastings算法时，接受率大约为20％的原理是什么？ 我的想法是：一旦找到了真实的（或接近真实的）参数值，那么就不会有来自相同均匀间隔的任何新的候选参数值集会增加似然函数的值。因此，我运行的迭代次数越多，我应该得到的接受率就越低。 我的想法在哪里错了？非常感谢！ 这是我的计算的说明： Acceptance_rate=exp{l(θc|y)+log(p(θc))−[l(θ∗|y)+log(p(θ∗)]},Acceptance_rate=exp⁡{l(θc|y)+log⁡(p(θc))−[l(θ∗|y)+log⁡(p(θ∗)]},Acceptance\_rate = \exp \{l(\theta_c|y) + \log(p(\theta_c)) - [l(\theta^*|y) + \log(p(\theta^*) ]\}, 其中是对数似然。lll 由于候选对象始终取自相同的均匀间隔，θθ\theta p(θc)=p(θ∗).p(θc)=p(θ∗).p(\theta_c) = p(\theta^*). 因此，接受率的计算可缩减至： Acceptance_rate=exp{l(θc|y)−[l(θ∗|y)]}Acceptance_rate=exp⁡{l(θc|y)−[l(θ∗|y)]}Acceptance\_rate = \exp \{l(\theta_c | y) - [l(\theta^* | y) ]\} 的接受规则如下：θcθc\theta_c 如果，其中是从区间均匀分布得出的，则U≤Acceptance_rateU≤Acceptance_rateU \le Acceptance\_rate UUU[0,1][0,1][0,1] θ∗=θc,θ∗=θc,\theta^* = \theta_c, 否则从间隔均匀分布中θcθc\theta_c[θmin,θmax][θmin,θmax][\theta_{min}, \theta_{max}]

9 bayesian  estimation  sampling  mcmc 

为什么随机变量的可交换性对于分层贝叶斯建模至关重要？

9 bayesian  multilevel-analysis  exchangeability 

我的数据集包括近海，中海道和近海三种地点类型的生物的总死亡率或生存率。下表中的数字表示站点数。 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 我想知道根据地点​​类型，发生100％死亡率的地点数量是否显着。如果我运行2 x 3卡方，则会得到显着的结果。我是否可以进行事后成对比较，或者实际上应该使用对数方差分析或二项分布的回归？谢谢！

9 logistic  multiple-comparisons  chi-squared  r  text-mining  clustering  classification  feature-selection  unsupervised-learning  time-series  references  mode  hypothesis-testing  confidence-interval  bootstrap  normal-distribution  order-statistics  correlation  statistical-significance  spss  bayesian  beta-binomial 

我需要基于同一系统的新故障率来更新故障率（确定性）（也是确定性的）。我读到了关于共轭先验和伽马分布的Poisson过程的共轭信息。 另外，我可以将Gamma dist的平均值等同。（β/ αβ/α\beta/\alpha）到新的比率（作为平均值），但我没有其他任何信息，例如标准差，变异系数，第90个百分位数等。有没有一种神奇的方法来操纵它并为先前的Gamma查找参数，因此我也能获得哪个Gamma的后验？

9 bayesian