Questions tagged «prior»

在一组学生中，有18个学生中有2个是惯用左手的。假设先验信息不足，则找到惯用左手的学生在人群中的后验分布。总结结果。根据文献，5-20％的人是左撇子。事先考虑这些信息并计算新的后验。 我知道应该在这里使用beta发行版。首先，αα\alpha和ββ\beta值为1？我在后验材料中找到的等式是 π(r|Y)∝r(Y+−1)×(1−r)(N−Y+−1)π(r|Y)∝r(Y+−1)×(1−r)(N−Y+−1)\pi(r \vert Y ) \propto r^{(Y +−1)} \times (1 − r)^{(N−Y +−1)} \\ Y=2Y=2Y=2，N=18N=18N=18 为什么方程式中的？（rrrrrr表示惯用左手的人的比例）。这是未知的，那么怎么在等式中呢？对我来说，似乎是可笑的计算rrr给出并使用方程给出的。好吧，对于样本 2/18，结果为0,0019。该˚F我应该从演绎？YYYrrrrrrr=2/18r=2/18r=2/180,00190,00190,0019fff 在已知和，给出的期望值的方程更好地工作，给了我，这听起来很正确。方程为其中值分配给和。考虑到先验信息，我应该给和提供什么值？RRRYYYNNN0,150,150,15E(r|X,N,α,β)=(α+X)/(α+β+N)E(r|X,N,α,β)=(α+X)/(α+β+N)E(r | X, N, α, β) = (α + X)/(α + β + N)111αααβββαααβββ 一些提示将不胜感激。关于先验和后验分布的一般性演讲也不会受到伤害（我含糊其词，但含糊其词）也要记住，我不是一个非常高级的统计学家（实际上，我是主要行业的政治学家），所以高等数学可能会飞过我的脑海。

124 distributions  bayesian  prior  posterior 

受此问题的评论启发： 我们认为先验中的“非信息性”是什么-所谓的先验信息中仍包含哪些信息？ 我通常会在分析中看到先验，在先验分析中，它是尝试从贝叶斯分析中借鉴一些好的部分（可能是一些更容易解释的方式来“做最热的事情”），所以指定的先验是横跨效果测度的界限，集中于0但即使断言均匀分布一个形状与现有-它恰好是平坦的。 使用前是否有更好的信息？

73 bayesian  prior 

我了解在重新参数化下，Jeffreys先验是不变的。但是，我不明白的是为什么需要此属性。 您为什么不希望先验在变量变化下发生变化？

61 bayesian  prior 

我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

如果兴趣只是估计模型的参数（逐点和/或区间估计）而先前的信息不可靠，较弱，（我知道这有点含糊，但我正在尝试建立一个选择先验是困难的）...为什么有人会选择使用“非信息”不正确先验的贝叶斯方法，而不是经典方法？

44 bayesian  inference  prior  likelihood  information 

拟合贝叶斯模型时，我应该如何从专家那里得到先验分布？

42 bayesian  prior  elicitation 

我对贝叶斯统计非常陌生，这可能是一个愚蠢的问题。不过： 考虑一个先验的可信间隔，该间隔指定了均匀分布。例如，从0到1，其中0到1表示效果的可能值的整个范围。在这种情况下，95％的可信区间等于95％的置信区间吗？

31 bayesian  confidence-interval  estimation  prior  credible-interval 

我正在使用插入符号在数据集上运行交叉验证的随机森林。Y变量是一个因素。我的数据集中没有NaN，Inf或NA。但是，当运行随机森林时，我得到 Error in randomForest.default(m, y, ...) : NA/NaN/Inf in foreign function call (arg 1) In addition: There were 28 warnings (use warnings() to see them) Warning messages: 1: In data.matrix(x) : NAs introduced by coercion 2: In data.matrix(x) : NAs introduced by coercion 3: In data.matrix(x) : NAs introduced by …

29 r  random-forest  caret  regression  prediction  fitting  social-science  poisson-distribution  distributions  characteristic-function  bayesian  prior  regression  normal-distribution  interaction  nonparametric  skewness  svm  standard-deviation  standard-error  regression-coefficients  igraph  natural-language  word2vec  word-embeddings  regression  machine-learning  sampling  r  regression  machine-learning  random-forest  ensemble  sampling  unbiased-estimator  proof  estimators  mse  probability  conditional-probability  bayes  anova  missing-data  neural-networks  recommender-system  r  confidence-interval  sample  multiple-imputation  r  time-series  forecasting  mase 

事先考虑杰弗瑞斯其中，其中我是Fisher信息。p(θ)∝|i(θ)|−−−−√p(θ)∝|i(θ)|p(\theta) \propto \sqrt{|i(\theta)|}iii 我一直认为这个先验是无意义的先验，但是我从来没有见过为什么它没有信息的争论。毕竟，这不是一个恒定的先验，因此必须有其他一些论点。 我知道这不依赖于重新参数化，这将我带入下一个问题。Fisher信息的决定因素是否不依赖于重新参数化？因为Fisher信息绝对取决于问题的参数化。 谢谢。

27 bayesian  prior 

这是关于术语的问题。“模糊的先验”与非信息先验是否相同，还是两者之间有区别？我的印象是，它们是相同的（从模糊和非信息性的角度来看），但是我不确定。

27 bayesian  prior  terminology 

我已经在许多参考文献中读取为回归参数向量套索估计相当于后模式，其中，每个所述先验分布是双指数分布（也称为拉普拉斯分布）。BBBBBBBiBiB_i 我一直在试图证明这一点，有人可以充实细节吗？

27 regression  bayesian  lasso  prior  regularization 

在执行贝叶斯推理时，我们通过最大化似然函数以及关于参数的先验来进行操作。因为对数似然比更方便，所以我们使用MCMC 有效地最大化或以其他方式生成后验分布（使用pdf每个参数的先验和每个数据点的可能性）。∑ln(prior)+∑ln(likelihood)∑ln⁡（事前）+∑ln⁡（可能性）\sum \ln (\text{prior}) + \sum \ln (\text{likelihood}) 如果我们有大量数据，那么通过简单的数学方法，可能会淹没先验提供的任何信息。最终，这是好的，这是设计使然。我们知道，后验将收敛到具有更多数据的可能性，因为它应该这样做。 对于共轭先验定义的问题，这甚至是完全可以证明的。 有没有一种方法可以确定何时先验对给定的似然函数和样本量不重要？

26 bayesian  prior 

我目前正在研究一个问题，我需要为状态空间模型开发马尔可夫链蒙特卡罗（MCMC）算法。 为了能够解决该问题，我给了以下概率：p（）= 2I（ > 0）/（1+）。是的标准偏差。ττ\tauττ\tauττ\tauτ2τ2\tau^2ττ\tauxxx 所以现在我知道这是一个半Cauchy分布，因为我从查看示例中就知道了它，并且因为有人告诉我。但是我不完全理解为什么它是一个“半Cauchy”发行版以及附带的属性。 在属性方面，我不确定我想要什么。我对这种计量经济学理论还很陌生。因此，对我而言，更多的是了解分布以及如何在状态空间模型上下文中使用它。模型本身看起来像这样： ytxt+1at+1p(σ2)p(τ)=xt+et=xt+at + 1∼ N（0 ，τ2）∝ 1 /σ2=2I（τ> 0)π（1 + τ2）yŤ=XŤ+ËŤXŤ+1个=XŤ+一种Ť+1个一种Ť+1个〜 ñ（0，τ2）p（σ2）∝1个/σ2p（τ）=2一世（τ>0）π（1个+τ2）\begin{align} y_t &= x_t + e_t \\ x_{t+1} &= x_t + a_{t+1} \\[10pt] a_{t+1} &\sim ~ N(0, \tau^2) \\ p(\sigma^2) &\propto 1/\sigma^2 \\[3pt] p(\tau) &= \frac{2I(\tau>0)}{\pi(1+\tau^2)} \end{align} 编辑：我在p（）中包含。感谢您指出这一点。ππ\piττ\tau

24 distributions  bayesian  prior  state-space-models  cauchy 

我正在为贝叶斯统计课程（经济学硕士）写一则关于非先验先验的简短理论文章，并且试图理解发展该理论的步骤。 到目前为止，我的时间轴分为三个主要步骤：拉普拉斯的冷漠原则（1812），非不变先验（Jeffreys（1946）），伯纳多参考先验（1979）。 从我的文献综述中，我了解到，冷漠原理（Laplace）是用来表示缺乏先验信息的第一个工具，但是由于缺少不变性的要求，导致这种放弃一直到40年代，杰弗里斯（Jeffreys）提出了他的方法，该方法具有不变性的期望性质。由于在70年代不小心使用了不当先验而导致的边缘化悖论的出现促使贝尔纳多（Bernardo）阐述了他的先验先验理论以解决这个问题。 阅读文献时，每个作者都引用了不同的贡献：Jaynes的最大熵，Box和Tiao的数据翻译的可能性，Zellner，... 您认为我缺少哪些关键步骤？ 编辑：如果有人需要，我添加我的（主要）引用： 1）通过正式规则选择先验者，卡斯，瓦瑟曼 2）无信息先验的目录，Yang，Berger 3）非信息贝叶斯先验解释以及构造和应用问题

24 bayesian  references  prior  history 

我想问一个问题，这个问题的灵感来自关于Beta发行版直觉的出色答案。我想更好地了解击球平均值的先验分布的推导。看起来David正在从均值和范围中退出参数。 在平均值为并且标准偏差为的假设下，您可以通过求解以下两个方程式来退回和： 0.270.270.270.180.180.18αα\alphaββ\betaαα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182αα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182\begin{equation} \frac{\alpha}{\alpha+\beta}=0.27 \\ \frac{\alpha\cdot\beta}{(\alpha+\beta)^2\cdot(\alpha+\beta+1)}=0.18^2 \end{equation}

23 bayesian  prior