পূর্ব বিতরণের জন্য তথ্য ব্যতীত উইনব্যাগস এবং অন্যান্য এমসিমিসি


10

প্যারামিটারগুলি বিতরণের কোনও ধারণা না থাকলে কী হয়? আমাদের কোন পদ্ধতির ব্যবহার করা উচিত?

বেশিরভাগ সময় আমরা লক্ষ্য করি যে কোনও নির্দিষ্ট ভেরিয়েবলের কোনও নির্দিষ্ট প্রজাতির উপস্থিতি / অনুপস্থিতির উপর যদি প্রভাব থাকে এবং চলকটি পরিবর্তনশীল গুরুত্ব অনুসারে গ্রহণযোগ্য হয় বা না হয় তবে তার প্রভাব কম থাকে। এর অর্থ হ'ল বেশিরভাগ সময় আমরা কোনও প্যারামিটারের এক্সপেক্টেড ডিস্ট্রিবিউশন নিয়ে ভাবছি না।

এটা কি ধরে নেওয়া ঠিক হবে যে সমস্ত প্যারামিটারগুলি একটি সাধারণ বিতরণ অনুসরণ করে, যখন আমি জানি যে বি 1, বি 2, বি 3 এবং বি 4 -2 এবং 2 এর মধ্যে এবং বি 0 -5 এবং 5 এর মধ্যে পরিবর্তিত হতে পারে?

model {
    # N observations
    for (i in 1:N) {
        species[i] ~ dbern(p[i])
        logit(p[i]) <- b0 + b1*var1[i] + b2*var2[i] + 
            b3*var3[i] + b4*var4[i]
    }
    # Priors
    b0     ~ dnorm(0,10)
    b1   ~ dnorm(0,10)
    b2 ~ dnorm(0,10)
    b3  ~ dnorm(0,10)
    b4  ~ dnorm(0,10)
}

আপনার যদি পূর্ব না থাকে তবে আপনি বায়েশিয়ান অনুমান ব্যবহার করতে পারবেন না। এবং তাই এমসএমসি পদ্ধতি,
শি'আন

উত্তর:


6

লিনিয়ার প্রেডিক্টরের প্যারামিটারগুলি টি-বিতরণ করা হয় । রেকর্ডের সংখ্যা যখন অসীমের দিকে যায় তখন এটি সাধারণ বিতরণে রূপান্তরিত হয়। হ্যাঁ, সাধারণত প্যারামিটারগুলির সাধারণ বিতরণ অনুমান করা সঠিক হিসাবে বিবেচিত হয়।

যাইহোক, বেইসিয়ান পরিসংখ্যানগুলিতে আপনাকে প্যারামিটার বিতরণ অনুমান করার দরকার নেই। সাধারণত আপনি তথাকথিত অপ্রয়োজনীয় প্রিয়ার নির্দিষ্ট করেন । প্রতিটি মামলার জন্য, বিভিন্ন অপ্রয়োজনীয় প্রিয়ারদের সুপারিশ করা হয়। এই ক্ষেত্রে, লোকেরা প্রায়শই এমন কিছু ব্যবহার করে (আপনি অবশ্যই মানগুলি টুইঙ্ক করতে পারেন):

dunif(-100000, 100000)

অথবা

dnorm(0, 1/10^10)

দ্বিতীয়টি পছন্দ করা হয়, কারণ এটি নির্দিষ্ট মানগুলিতে সীমাবদ্ধ নয়। অননুমোদিত প্রিরিয়ারগুলির সাথে, আপনার কোনও ঝুঁকি নেই। আপনি অবশ্যই এগুলিকে নির্দিষ্ট বিরতিতে সীমাবদ্ধ করতে পারেন তবে সাবধান হন।

সুতরাং, আপনি পূর্বনির্ধারিত তথ্যগুলি নির্দিষ্ট করুন এবং প্যারামিটার বিতরণটি নিজেই প্রকাশিত হবে! এটি সম্পর্কে কোনও অনুমান করার দরকার নেই।


1
দুর্ভাগ্যক্রমে, এটি ঠিক সত্য নয়: উপরের ইউনিফর্মের সীমানা ফলাফলকে প্রভাবিত করতে পারে, এসএসপি। অনুমান পরীক্ষা করার সময়। এটি আমার মতে উইনব্যাগের একটি অপূর্ণতা।
শি'আন

@ শিয়ান - অবশ্যই আমি এটাই বলি। এজন্য আমি এই ক্ষেত্রে "ফ্ল্যাট সাধারণ" পছন্দ করি - দ্বিতীয় বিকল্পটি। সম্ভবত দ্বিতীয় প্যারামিটারটি টুইট করে।
কৌতুহল

1
হুমমম, এটি মোটেও ফ্ল্যাট নয় ...
শি'আন

আপনি ব্যবহার করতে পারেন dnorm(0, 1/10^10)বা যাই হোক না কেন
কৌতুহল

8

দুর্ভাগ্যক্রমে, নিরীহ দৃশ্যমান প্রিরিয়াররা খুব বিপজ্জনক হতে পারে (এবং এমনকি কিছু পাকা বায়েশিয়ানদের বোকা বানিয়েছে)।

এই সাম্প্রতিক কাগজটি পূর্বের ও উত্তরোত্তর (সাধারণত প্রান্তিক প্রিয়ার / পরামিতিগুলির আগ্রহের জন্য) কল্পনা করার জন্য প্লট করার পদ্ধতিগুলির পাশাপাশি একটি দুর্দান্ত ভূমিকা সরবরাহ করে।

নন-ইনফরমটিভ প্রাইজার নির্দিষ্টকরণের গোপন বিপদ। জন ডাব্লু। সিমন তৃতীয়, জন ডব্লিউ। সিমান জুনিয়র ও জেমস ডি স্ট্যামি আমেরিকান স্ট্যাটিস্টিস্টিয়ানভলিউম, 66, সংখ্যা ২, মে ২০১২, পৃষ্ঠা-77-৮৪। http://amstat.tandfonline.com/doi/full/10.1080/00031305.2012.695938

আমার মতে এ জাতীয় প্লটগুলি যে কোনও বেইসিয়ান বিশ্লেষণে বাধ্যতামূলক হওয়া উচিত, এমনকি বিশ্লেষকের যদি তাদের প্রয়োজন নাও হয় - বায়েসীয় বিশ্লেষণে যা ঘটছে তা বেশিরভাগ পাঠকের জন্য পরিষ্কার করা উচিত।


2
ভাল লিঙ্ক, এটি একটি দুরূহ যে এটি অবাধে উপলব্ধ হয় না।
কৌতুহল

6

সংবেদনশীলতা বিশ্লেষণ সাধারণত যাওয়ার একটি ভাল উপায়: বিভিন্ন প্রবীণদের চেষ্টা করে দেখুন এবং কীভাবে আপনার ফলাফলগুলি তাদের সাথে পরিবর্তিত হয় তা দেখুন। যদি তারা শক্তিশালী হয় তবে আপনি সম্ভবত আপনার ফলাফল সম্পর্কে অনেক লোককে বোঝাতে সক্ষম হবেন। অন্যথায়, আপনি সম্ভবত একরকম প্রান্তিকরা কীভাবে ফলাফল পরিবর্তন করতে চান তা প্রমান করতে চাইবেন।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.