Pertanyaan yang diberi tag «posterior»

Saat ini saya memperkirakan parameter model yang ditentukan oleh beberapa persamaan diferensial biasa (ODE). Saya mencoba ini dengan pendekatan bayesian dengan memperkirakan distribusi posterior parameter yang diberikan beberapa data menggunakan Markov Chain Monte Carlo (MCMC). MCMC sampler menghasilkan rantai nilai parameter di mana ia menggunakan probabilitas posterior (tidak dinormalisasi) dari …

8 bayesian  mcmc  posterior 

Komunitas SE, saya berharap mendapatkan wawasan tentang masalah berikut. Diberikan model regresi linier sederhana Di bawah fungsi kemungkinan Gaussian dengan istilah kesalahan homoseksual, distribusi bersyarat dari variabel dependen mengambil bentuk Saya menetapkan konjugat bersyarat (tidak informasi) sebelum untuk dan adalah . Ini adalah hasil standar bahwa distribusi posterior marginal dari …

8 regression  bayesian  variance  posterior  singular 

Saya relatif baru dalam statistik Bayesian jadi harap bersikap lembut. Saya baru saja melakukan Perkiraan Bayesian Computation (ABC) untuk inferensi model multi-parameter. Sekarang saya mencari untuk melakukan pemeriksaan prediktif posterior pada parameter yang telah disimpulkan. Apa yang ingin saya ketahui adalah bahwa, ketika pengambilan sampel dari posterior untuk menghasilkan statistik …

8 bayesian  posterior  abc 

Fungsi likelihood dari distribusi lognormal adalah: f(x;μ,σ)∝∏ni11σxiexp(−(lnxi−μ)22σ2)f(x;μ,σ)∝∏i1n1σxiexp⁡(−(ln⁡xi−μ)22σ2)f(x; \mu, \sigma) \propto \prod_{i_1}^n \frac{1}{\sigma x_i} \exp \left ( - \frac{(\ln{x_i} - \mu)^2}{2 \sigma^2} \right ) dan Prioritas Jeffreys adalah: p(μ,σ)∝1σ2p(μ,σ)∝1σ2p(\mu,\sigma) \propto \frac{1}{\sigma^2} jadi menggabungkan keduanya memberi: f(μ,σ2|x)=∏ni11σxiexp(−(lnxi−μ)22σ2)⋅σ−2f(μ,σ2|x)=∏i1n1σxiexp⁡(−(ln⁡xi−μ)22σ2)⋅σ−2f(\mu,\sigma^2|x)= \prod_{i_1}^n \frac{1}{\sigma x_i} \exp \left ( - \frac{(\ln{x_i} - \mu)^2}{2 \sigma^2} \right ) \cdot \sigma^{-2} …

8 bayesian  prior  posterior  conjugate-prior  uninformative-prior 

Sebagai bagian dari mereproduksi model yang saya jelaskan sebagian dalam pertanyaan tentang Stack Overflow ini, saya ingin mendapatkan sebidang distribusi posterior. Model (spasial) menggambarkan harga jual beberapa properti sebagai distribusi Bernoulli tergantung pada apakah properti itu mahal (1) atau murah (0). Dalam persamaan: ysaya∼ Bernoulli (halsaya)ysaya∼Bernoulli(halsaya)y_{i} \sim \text{Bernoulli}(p_{i}) halsaya∼logit- 1(b0+b1LivingArea …

8 prediction  spatial  posterior  hierarchical-bayesian  pymc 

Dalam Bayesian Data Analysis , bab 13, halaman 317, paragraf penuh kedua, dalam pendekatan modal dan distribusi, Gelman et al. menulis: Jika rencananya adalah untuk meringkas inferensi dengan mode posterior [parameter korelasi dalam distribusi normal bivariat], kita akan mengganti distribusi U (-1,1) sebelumnya dengan , yang setara dengan Beta (2,2) …

8 bayesian  prior  posterior  mode 

Proyek saya saat ini mungkin mengharuskan saya untuk membuat model untuk memprediksi perilaku sekelompok orang tertentu. set data pelatihan hanya berisi 6 variabel (id hanya untuk tujuan identifikasi): id, age, income, gender, job category, monthly spend di mana monthly spendadalah variabel respon. Tetapi dataset pelatihan berisi sekitar 3 juta baris, …

8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 

Saya punya dua pertanyaan, Pertanyaan 1: Bagaimana saya bisa menunjukkan bahwa distribusi posterior adalah distribusi beta jika kemungkinannya adalah binomial dan yang sebelumnya adalah beta Pertanyaan 2: Bagaimana pilihan parameter sebelumnya mempengaruhi posterior? Bukankah seharusnya mereka semua sama? Apakah mungkin untuk menjawab pertanyaan-pertanyaan ini dalam R?

8 r  self-study  bayesian  prior  posterior 

Saya mencoba menghitung distribusi posterior ini: (θ|−)=∏ni=1pyii(1−pi)1−yi∑allθ,pi|θ∏ni=1pyii(1−pi)1−yi(θ|−)=∏i=1npiyi(1−pi)1−yi∑allθ,pi|θ∏i=1npiyi(1−pi)1−yi (\theta|-)=\frac{\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}}{\sum_{\text{all}\,\theta,p_i|\theta}\prod_{i=1}^{n}p_i^{y_i}(1-p_i)^{1-y_i}} Masalahnya adalah bahwa pembilang, yang merupakan produk dari sekelompok probabilitas terlalu kecil. ( saya besar, sekitar 1500).Bernoulli(pi,yi)Bernoulli(pi,yi)\text{Bernoulli}(p_i,y_i)nnn Oleh karena itu, nilai-nilai posterior untuk semua semua bisa dihitung menjadi 0 (saya melakukan perhitungan dalam R).θθ\theta Untuk memperjelas, masing-masing memiliki sendiri , bersama-sama ini …

8 r  likelihood  posterior