Questions tagged «jeffreys-prior»

2
Jeffreys Priors和方差稳定转换之间的关系是什么?
我维基百科上之前阅读有关杰弗瑞斯:杰弗里斯之前和锯,其各实施例之后,它描述了一个方差稳定转化如何接通杰弗里斯现有成均匀之前。 例如,对于伯努利的情况,它表示对于以概率前进的硬币,伯努利试验模型得出,参数的杰弗里斯先验值为:γ∈[0,1]γ∈[0,1]\gamma \in [0,1]γγ\gamma p(γ)∝1γ(1−γ)−−−−−−−√p(γ)∝1γ(1−γ) p(\gamma) \propto \frac{1}{\sqrt{\gamma ( 1-\gamma)}} 然后声明这是一个带有的beta分布。它还指出,如果,则现有的杰弗里中的间隔是均匀的。α=β=12α=β=12\alpha = \beta = \frac{1}{2}γ=sin2(θ)γ=sin2⁡(θ)\gamma = \sin^2(\theta)θθ\theta[0,π2][0,π2]\left[0, \frac{\pi}{2}\right] 我认为该转换是稳定方差的转换。让我感到困惑的是: 为什么稳定方差的转换会导致统一的先验? 我们为什么还要统一制服?(因为它似乎更容易受到不当行为的影响) 总的来说,我不确定为什么要给出平方正弦变换以及起什么作用。有人有什么想法吗?

2
与Jeffreys不同,先验的示例导致后验不变
我将在两周前在这里提出的问题重新发布“答案”:为什么Jeffreys事前有用?不过,这确实是一个问题(我当时也无权发表评论),所以我希望可以这样做: 在上面的链接中,讨论了Jeffreys Prior的有趣特征是,在重新参数化模型时,所得后验分布给出了服从变换施加的约束的后验概率。比方说,如那里所讨论的,从所述成功概率移动时θθ\theta在Beta-伯努利例如赔率ψ=θ/(1−θ)ψ=θ/(1−θ)\psi=\theta/(1-\theta),它应该是的情况下,该后验满足P(1/3≤θ≤2/3∣X=x)=P(1/2≤ψ≤2∣X=x)P(1/3≤θ≤2/3∣X=x)=P(1/2≤ψ≤2∣X=x)P(1/3\leq\theta\leq 2/3\mid X=x)=P(1/2\leq\psi\leq 2\mid X=x)。 我想创建一个将θθ\theta转换为奇数ψψ\psi的Jeffreys先验不变性的数值示例,更有趣的是,缺少其他先验(例如Haldane,均等或任意先验)。 现在,如果成功概率的后验是Beta(对于任何Beta先验,不仅是Jeffreys),则赔率的后验遵循具有相同参数的第二种Beta分布(请参阅Wikipedia)。然后,正如下面的数字示例中突出显示的那样(至少对我来说),对于Beta优先级的任何选择(与alpha0_U和一起玩)都是不变的beta0_U,这不仅是Jeffreys,参见。程序的输出。 library(GB2) # has the Beta density of the 2nd kind, the distribution of theta/(1-theta) if theta~Beta(alpha,beta) theta_1 = 2/3 # a numerical example as in the above post theta_2 = 1/3 odds_1 = theta_1/(1-theta_1) # the corresponding odds odds_2 = theta_2/(1-theta_2) …

1
Jeffreys先验多个参数
在某些情况下,前一个完整的多维模型的杰弗里被generaly视为不足,这是例如的情况下: (其中, ε 〜Ñ (0 ,σ 2),具有 μ和 σ未知),其中事先下面是首选(与全杰弗瑞斯现有 π (μ ,σ )α σ - 2): p (μ ,σ )= π (μ )·&π (σ )α σ - 1yi=μ+εi,yi=μ+εi, y_i=\mu + \varepsilon_i \, , ε∼N(0,σ2)ε∼N(0,σ2)\varepsilon \sim N(0,\sigma^2)μμ\muσσ\sigmaπ(μ,σ)∝σ−2π(μ,σ)∝σ−2\pi(\mu,\sigma)\propto \sigma^{-2} 其中 π (μ )是保持 σ固定时(以及类似的 p (σ ))获得的Jeffreys先验值。当在单独的组中处理 σ和 μ时,该先验与参考先验重合。p(μ,σ)=π(μ)⋅π(σ)∝σ−1,p(μ,σ)=π(μ)⋅π(σ)∝σ−1, p(\mu,\sigma) = \pi(\mu) …

1
非信息先验的意义是什么?
为什么还要提供非信息性先验?他们不提供有关信息。那为什么要使用它们呢?为什么不仅使用信息先验?例如,假设。那么是的非先验信息吗?θθ\thetaθ∈[0,1]θ∈[0,1] \theta \in [0,1]θ∼U(0,1)θ∼U(0,1)\theta \sim \mathcal{U}(0,1)θθ\theta

3
Jeffreys Prior用于均值和方差未知的正态分布
我正在阅读先验分布,并为均值和方差未知的正态分布随机变量的样本计算了Jeffreys Prior。根据我的计算,以下适用于现有杰弗里: p (μ ,σ2)= dË Ť (我)-----√= de t (1 / σ2001 /(2 σ4))------------------√= 12个σ6----√∝ 1σ3。p(μ,σ2)=dËŤ(一世)=dËŤ(1个/σ2001个/(2σ4))=1个2σ6∝1个σ3。 p(\mu,\sigma^2)=\sqrt{det(I)}=\sqrt{det\begin{pmatrix}1/\sigma^2 & 0 \\ 0 & 1/(2\sigma^4)\end{pmatrix}}=\sqrt{\frac{1}{2\sigma^6}}\propto\frac{1}{\sigma^3}. 在这里,一世一世I是费舍尔的信息矩阵。 但是,我还阅读了以下出版物和文件: p (μ ,σ2)∝ 1 / σ2p(μ,σ2)∝1个/σ2p(\mu,\sigma^2)\propto 1/\sigma^2见第2.2节中卡斯和瓦塞尔曼(1996)。 参见第25页中羊和Berger(1998)p (μ ,σ2)∝ 1 / σ4p(μ,σ2)∝1个/σ4p(\mu,\sigma^2)\propto 1/\sigma^4 如Jeffreys Prior那样,均值和方差未知的正态分布。杰弗里斯先验的“实际”是什么?

1
统计人员在实际应用工作中是否使用Jeffreys先验?
当我在研究生统计推断课程中了解Jeffreys的先驱时,我的教授们听起来听起来像是有趣的,主要是出于历史原因,而不是因为有人会使用它。然后,当我进行贝叶斯数据分析时,我们从未被要求使用杰弗里斯的先验知识。有人实际使用这些吗?如果是这样(如果不是),为什么或为什么不呢?为什么有些统计学家不重视它?

1
杰弗里斯(Jeffreys)先验二项式可能性
如果我将Jeffreys先验用于二项式概率参数则这意味着使用分布。θθ\thetaθ∼beta(1/2,1/2)θ∼beta(1/2,1/2)\theta \sim beta(1/2,1/2) 如果我转换为参考的新帧,则显然也不会以分布的形式分布。ϕ=θ2ϕ=θ2\phi = \theta^2ϕϕ\phibeta(1/2,1/2)beta(1/2,1/2)beta(1/2,1/2) 我的问题是,从什么意义上说,杰弗里斯对重新参数化的先验不变性是什么?我想我对这个话题真是个误解。 最好, 本
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.