Perguntas com a marcação «uninformative-prior»

Estou procurando informações preliminares não informativas para a distribuição beta para trabalhar com um processo binomial (acerto / acerto). No começo, pensei em usar α=1,β=1α=1,β=1\alpha=1, \beta=1 que gera um PDF uniforme ou Jeffrey antes de α=0.5,β=0.5α=0.5,β=0.5\alpha=0.5, \beta=0.5 . Mas, na verdade, estou procurando priors que tenham o efeito mínimo em …

16 bayesian  prior  beta-distribution  uninformative-prior 

θθ\thetaθ ∈ [0,1]θ∈[0,1] \theta \in [0,1]θ ∼U( 0 , 1 )θ∼U(0 0,1)\theta \sim \mathcal{U}(0,1)θθ\theta

12 bayesian  uninformative-prior  jeffreys-prior 

Me deparei com esta imagem em um post aqui . Fiquei desapontado que a leitura da declaração não provocou a mesma expressão facial para mim como para esse cara. Então, o que se quer dizer com a afirmação de que a hipótese nula é como os freqüentadores expressam um prior …

11 hypothesis-testing  bayesian  frequentist  uninformative-prior 

Ao realizar a regressão linear bayesiana, é preciso atribuir uma prévia para a pista de e interceptar b . Como b é um parâmetro de localização, faz sentido atribuir um uniforme anterior; no entanto, parece-me que a é semelhante a um parâmetro de escala e não parece natural atribuir um …

10 regression  bayesian  uninformative-prior 

Temos N amostras, , de uma distribuição uniforme onde é desconhecida. Estime partir dos dados. [ 0 , θ ] θ θXiXiX_i[0,θ][0,θ][0,\theta]θθ\thetaθθ\theta Então, o governo de Bayes ... f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(θ|Xi)=f(Xi|θ)f(θ)f(Xi)f(\theta | {X_i}) = \frac{f({X_i}|\theta)f(\theta)}{f({X_i})} e a probabilidade é: f(Xi|θ)=∏Ni=11θf(Xi|θ)=∏i=1N1θf({X_i}|\theta) = \prod_{i=1}^N \frac{1}{\theta} (editar: quando para todos os e 0 caso contrário …

10 bayesian  estimation  uniform  uninformative-prior 

Estou tentando ajustar um modelo de tempo discreto no R, mas não sei como fazê-lo. Eu li que você pode organizar a variável dependente em linhas diferentes, uma para cada observação no tempo, e usar a glmfunção com um link logit ou cloglog. Neste sentido, tem três colunas: ID, Event(1 …

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

Eu sei que o prior de Zellner está usando dados para definir informações anteriores, mas, na verdade, todo o modelo depende dos dados. Existe algum outro motivo?

9 regression  bayesian  uninformative-prior 

Eu li os ótimos comentários sobre como lidar com valores ausentes antes de aplicar o SVD, mas gostaria de saber como ele funciona com um exemplo simples: Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 Dada a matriz …

8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 

Priores não informativos são preferidos nos casos em que o viés não é aceitável (por exemplo, salas de audiências, etc.) No entanto, parece-me que faria sentido usar uma abordagem freqüentista. Por que a abordagem bayesiana tem um prévio não informativo? Obrigado!

8 bayesian  prior  uninformative-prior 

A função de probabilidade de uma distribuição lognormal é: 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 ) e o Prior de Jeffreys é: p(μ,σ)∝1σ2p(μ,σ)∝1σ2p(\mu,\sigma) \propto \frac{1}{\sigma^2} então, combinar os dois dá: 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} - …

8 bayesian  prior  posterior  conjugate-prior  uninformative-prior 

Estou trabalhando em um modelo que conta com uma função parametrizada feia que atua como uma função de calibração em uma parte do modelo. Usando uma configuração bayesiana, preciso obter informações preliminares não informativas para os parâmetros que descrevem minha função. Eu sei que, idealmente, devo derivar referência ou pelo …

8 bayesian  inference  prior  uninformative-prior