গড় বৈকল্পিক আগ্রহের ক্ষেত্রে কোন পূর্ববর্তী বিতরণটি হায়ারারিকাল বাইসিসান মডেলটিতে পরিবর্তনের জন্য ব্যবহার করা উচিত?


16

শ্রেণিবদ্ধ মডেলগুলিতে ভেরিয়েন্স প্যারামিটারগুলির জন্য তার বিস্তৃত উদ্ধৃত কাগজে প্রাইম বিতরণ (গুগল স্কলারে এখনও অবধি 916 উদ্ধৃতি) গেলম্যান প্রস্তাব করেছেন যে হায়ারারিকাল বায়েশিয়ান মডেলটিতে ভিন্নতার জন্য ভাল অ-তথ্যমূলক পূর্ব বিতরণগুলি ইউনিফর্ম বিতরণ এবং অর্ধ টি বিতরণ। আমি যদি জিনিসগুলি ঠিক তখন বুঝতে পারি তবে এটি অবস্থানের প্যারামিটার (উদাহরণস্বরূপ গড়) মূল আগ্রহের হয় well কখনও কখনও ভেরিয়েন্স প্যারামিটার মূল আগ্রহের বিষয় হয়, উদাহরণস্বরূপ যখন সময় কার্যগুলি থেকে মানুষের প্রতিক্রিয়া ডেটা বিশ্লেষণ করা মানে সময় পরিবর্তনের মানে প্রায়শই আগ্রহের মাপকাঠি। এই ক্ষেত্রে এটি আমার কাছে স্পষ্ট নয় যে কীভাবে পরিবর্তনশীলতাটিকে শ্রেণিবিন্যাসের সাথে মডেল করা যায়, উদাহরণস্বরূপ, অভিন্ন বিতরণ, কারণ বিশ্লেষণের পরে আমি অংশগ্রহণকারী স্তরে এবং গোষ্ঠী উভয় স্তরের গড় বৈচিত্রের বিশ্বাসযোগ্যতা পেতে চাই।

আমার প্রশ্নটি তখন: ডেটাটির বৈকল্পিকতা যখন আগ্রহের বিষয় তখন আগ্রহের বায়েশিয়ান মডেল তৈরি করার সময় কোন বিতরণের পরামর্শ দেওয়া হয়?

আমি জানি যে গামা বিতরণকে গড় এবং এসডি দ্বারা নির্দিষ্ট করে পুনর্নির্মাণ করা যেতে পারে। উদাহরণস্বরূপ, নীচের শ্রেণিবিন্যাসের মডেলটি ক্রুশকের বই ডোয়িং বেয়েসিয়ান ডেটা অ্যানালাইসিস থেকে এসেছে । তবে গেলম্যান তার নিবন্ধে গামা বিতরণে কিছু সমস্যার কথা উল্লেখ করেছেন এবং আমি বিকল্পগুলির পরামর্শের জন্য কৃতজ্ঞ থাকব, পছন্দসই বিকল্পগুলি যা বিইউজি / জেজিএসে কাজ করা কঠিন নয়।

এখানে চিত্র বর্ণনা লিখুন

উত্তর:


2

স্কেল প্যারামিটারের জন্য গামার পছন্দ সম্পর্কে আপনি গেলম্যানকে যেভাবে ব্যাখ্যা করেন তা নিয়ে আমি একমত নই। শ্রেণিবদ্ধ মডেলিংয়ের ভিত্তি হ'ল অজানা (সাধারণত বোঝানো এবং বৈকল্পিক) পরামিতিগুলির সাথে কাঠামোর মাধ্যমে একটি সাধারণের সাথে পৃথক পরামিতিগুলি সম্পর্কিত। এই অর্থে, পৃথক বৈকল্পের জন্য গামা বিতরণ ব্যবহার (বা ভারী লেজের জন্য লগনরমাল) গড় বৈকল্পিকের সাথে শর্তযুক্ত এবং এর বিচ্ছুরণ আমার কাছে বৈধ বলে মনে হচ্ছে (কমপক্ষে গেলম্যান যুক্তি সম্পর্কিত ক্ষেত্রে)।

স্কেল প্যারামিটারের গামা সম্পর্কে গেলম্যানের সমালোচকরা এই বিষয়টি সম্পর্কে যে গামাটি তার প্যারামিটারে চূড়ান্ত মান নির্ধারণ করে জেফরিগুলি অনুমান করতে ব্যবহৃত হয় to সমস্যাটি হ'ল এই মানগুলি কী পরিমাণে চরম হয় তার উপর নির্ভর করে (যা বেশ স্বেচ্ছাসেবী) উত্তরোত্তরটি খুব আলাদা হতে পারে। এই পর্যবেক্ষণটি এই পূর্বের ব্যবহারকে অবৈধ করে দেয়, কমপক্ষে যখন আমাদের কাছে পূর্ববর্তীতে সেট করার জন্য তথ্য না থাকে। এটি আলোচনায়, আমার কাছে মনে হয় যে গামা বা বিপরীত-গামাকে পূর্বের তথ্য থেকে বা শ্রেণিবিন্যাসিক কাঠামো থেকে কখনও কখনও গড় এবং তারতম্যের দিক থেকে ক্যালিব্রেট করা হয় না। সুতরাং এর সুপারিশটি এমন একটি প্রসঙ্গে উদ্বেগ প্রকাশ করেছে যা আপনার থেকে সম্পূর্ণ আলাদা যা আমি যদি আপনার উদ্দেশ্যটি ভালভাবে বুঝতে পারি,


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.