ঘন ঘন ফলাফলের আগে বায়েশিয়ান তৈরি করা

Question

একজনের ঘন ঘন ঘন ফলাফলকে একজন বায়েশীয়ায় পরিণত করার আগে কীভাবে যাওয়া উচিত?

নিম্নলিখিত প্রশংসনীয় জেনেরিক দৃশ্যকল্প বিবেচনা করুন: একটি পরীক্ষা অতীতে পরিচালনা করা হয়েছিল এবং কিছু প্যারামিটার ওপর একটি নিবন্ধ মাপা হয়। বিশ্লেষণটি একটি ঘন ঘনবাদী পদ্ধতি দ্বারা করা হয়েছিল। In এর জন্য একটি আত্মবিশ্বাসের ব্যবধান ফলাফলগুলিতে দেওয়া হয়।$\phi$$\phi$

আমি এখন কিছু নতুন পরীক্ষা যেখানে আমি, কিছু অন্যান্য পরামিতি পরিমাপ উভয় বলতে চাই পরিচালনার করছি এবং φ । আমার পরীক্ষাটি আগের অধ্যয়নের চেয়ে আলাদা - এটি একই পদ্ধতি অনুসারে হয় না। আমি একটি Bayesian বিশ্লেষণ করতে চাই, তাই আমি স্থান গতকাল দেশের সর্বোচ্চ তাপমাত্রা প্রয়োজন হবে θ এবং φ ।$\theta$$\phi$$\theta$$\phi$

এর কোনো পূর্ববর্তী পরিমাপ , সম্পন্ন করা হয়েছে তাই আমি Uninformative স্থান (তার অভিন্ন বলে) এটা পূর্বে। $\theta$

উল্লিখিত হিসাবে, একটি আত্মবিশ্বাসের ব্যবধান হিসাবে প্রদত্ত জন্য পূর্ববর্তী ফলাফল রয়েছে । আমার বর্তমান বিশ্লেষণে সেই ফলাফলটি ব্যবহার করতে, আমার পূর্ববর্তী ঘনত্ববাদী ফলাফলটি আমার বিশ্লেষণের আগে একটি তথ্যবহুল ভাষায় অনুবাদ করতে হবে। $\phi$

এই বিকল্পের দৃশ্যে অনুপলব্ধ একটি বিকল্প হ'ল পূর্ববর্তী বিশ্লেষণের পুনরাবৃত্তি যা বায়েশিয়ান ফ্যাশনে পরিমাপের দিকে পরিচালিত করে । আমি এই কাজ করতে পারে, তাহলে φ পূর্ববর্তী পরীক্ষা থেকে একটি অবর হবে যে তারপর আমি আমার পূর্বে যেমন ব্যবহার করেন, এবং কোন ইস্যু হবে না।$\phi$ $\phi$

আমার বিশ্লেষণের জন্য আমি কীভাবে ঘন ঘন সিআইটি কোনও বায়েশিয়ান পূর্ব বিতরণে অনুবাদ করব? অথবা অন্য কথায়, কিভাবে আমি তাদের frequentest ফলাফলে অনুবাদ পারে একটি অবর মধ্যে φ যে তারপর আমি আমার বিশ্লেষণে একটি পূর্বে যেমন ব্যবহার করেন?$\phi$$\phi$

এই ধরণের সমস্যা নিয়ে আলোচনা করা কোনও অন্তর্দৃষ্টি বা রেফারেন্স স্বাগত।

Comments

পূর্বে, না উত্তর বিতরণ?

— টিম

স্বচ্ছতার জন্য সম্পাদিত, আরও ভাল?

— বিল_ই

আপনার কি

— -অফিনিটি

মেটা-বিশ্লেষণের সাথে এর কী আছে তা নিশ্চিত নয়। আপনি কি স্পষ্ট করতে পারেন

— mdewey

আপনি প্রিয়ার, ওয়েলচ এবং পিয়ারস স্টাইলের সাথে মিলে যাচ্ছেন। এই পর্যালোচনাটি একবার দেখুন: projecteuclid.org/euclid.lnms/1215091929

— জেন

Answer 1

সংক্ষিপ্ত সংস্করণ: স্ট্যান্ড সহ পূর্ববর্তী অনুমানকে কেন্দ্র করে কোনও গাউসিয়ান নিন। দেব। সিআই সমান।

$\phi_0$$\hat \phi$$P(\phi)=ct$$\phi_0$$\hat \phi$

$$P(\phi_0|\hat\phi)=\frac{P(\hat\phi|\phi_0)P(\phi_0)}{P(\hat \phi)}\\ =P(\hat\phi|\phi_0) \frac{ct}{P(\hat \phi)}$$ $\phi_0$$P(\hat\phi|\phi_0)$$\hat\phi$

1. পর্যবেক্ষণের সংখ্যা বাড়ার সাথে সাথে এমএলই হ'ল গাyহিয়ান,
2. $\phi_0$
3. $\phi_0$

এটি রাখার আরেকটি উপায়: বায়সিয়ান উত্তরোত্তর এবং একটি সামঞ্জস্যপূর্ণ এবং দক্ষ অনুমানের বিতরণ অ্যাসিপোটোটিকভাবে একই হয়ে যায়।

Comments

আমার যুক্ত করা উচিত যে এই দ্রবণটি 68% সিআই এর জন্য, যা 1 সিগমা। আপনার আস্থা অন্তর 95% হন আপনি, যদি তারা 99.7% এ দুই নয় sigmas হয়, তাই আপনি 2 দ্বারা সি আই ভাগ করা উচিত, তারপর তারা 3 sigmas হয়, তাই আপনি 3. দ্বারা বিভক্ত করা উচিত en.wikipedia.org/wiki/ 68% ই 2% 80% 9395% ই 2% 80% 9399.7_rule

— অ্যালেক্স মনরাস

আমি আপনার মন্তব্যে যা আছে তা স্পষ্টভাবে মন্তব্য করতে হয়েছিল :-) সম্ভবত আপনার উত্তরটিতে এটি যুক্ত করা উচিত। আমি করব ...

— Rolazaro Azeveires

Answer 2

$t$$t$$\sigma^2$$S^2(n-p)/\sigma^2$$\propto 1/\sigma^2$