Domande taggate «hierarchical-bayesian»

Sono relativamente nuovo alle statistiche bayesiane e recentemente ho usato JAGS per costruire modelli bayesiani gerarchici su diversi set di dati. Mentre sono molto soddisfatto dei risultati (rispetto ai modelli glm standard), devo spiegare ai non statistici quale sia la differenza con i modelli statistici standard. In particolare, vorrei illustrare …

10 bayesian  hierarchical-bayesian 

Proverò a descrivere il problema a portata di mano il più generale possibile. Sto modellando le osservazioni come una distribuzione categoriale con un parametro probabilità vettore theta. Quindi, presumo che il parametro vector theta segua una distribuzione precedente di Dirichlet con parametri .α1, α2, ... , αKα1,α2,…,αk\alpha_1,\alpha_2,\ldots,\alpha_k È quindi possibile …

10 categorical-data  multinomial  dirichlet-distribution  hierarchical-bayesian  dirichlet-process 

Ho appena (ri) letto il perché di Gelman (di solito) non dobbiamo preoccuparci di confronti multipli . In particolare, la sezione "Risultati multipli e altre sfide" menziona l'uso di un modello gerarchico per situazioni in cui vi sono più misure correlate della stessa persona / unità in tempi / condizioni …

10 multiple-comparisons  multilevel-analysis  lme4-nlme  jags  hierarchical-bayesian 

Sto cercando di adattare un modello a tempo discreto in R, ma non sono sicuro di come farlo. Ho letto che puoi organizzare la variabile dipendente in diverse righe, una per ogni osservazione temporale e utilizzare la glmfunzione con un collegamento logit o cloglog. In questo senso, ho tre colonne: …

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 

Considera la perdita quadratica , con il precedente dato dove . Sia la probabilità. Trova lo stimatore di Bayes .L(θ,δ)=(θ−δ)2L(θ,δ)=(θ−δ)2L(\theta,\delta)=(\theta-\delta)^2π(θ)π(θ)\pi(\theta)π(θ)∼U(0,1/2)π(θ)∼U(0,1/2)\pi(\theta)\sim U(0,1/2)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπδπ\delta^\pi Considera la perdita quadratica ponderata dove con precedente . Sia sia la probabilità. Trova lo stimatore di Bayes .Lw(θ,δ)=w(θ)(θ−δ)2Lw(θ,δ)=w(θ)(θ−δ)2L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2w(θ)=I(−∞,1/2)w(θ)=I(−∞,1/2)w(\theta)=\mathbb{I}_{(-\infty,1/2)}π1(θ)=I[0,1](θ)π1(θ)=I[0,1](θ)\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπ1δ1π\delta^\pi_1 Confronta eδπδπ\delta^\piδπ1δ1π\delta^\pi_1 Per prima cosa ho …

9 self-study  bayesian  estimation  hierarchical-bayesian  loss-functions