স্কেলের শক্তিশালী অনুমানের সংখ্যা রয়েছে । একটি উল্লেখযোগ্য উদাহরণ হ'ল মাঝারি পরম বিচ্যুতি যা হিসাবে স্ট্যান্ডার্ড বিচ্যুতির সাথে সম্পর্কিত । বায়েশিয়ান কাঠামোয় মোটামুটিভাবে সাধারণ বিতরণের অবস্থান সম্পর্কে দৃ rob়ভাবে অনুমান করার বিভিন্ন উপায় রয়েছে (উদাহরণস্বরূপ, বহিরাগতদের দ্বারা দূষিত একটি সাধারণ বলুন) উদাহরণস্বরূপ, কেউ ধরে নিতে পারে যে ডেটা বিতরণ বা ল্যাপ্লেস বিতরণ হিসাবে ডেটা বিতরণ করা হয়েছে। এখন আমার প্রশ্ন:
শক্তিশালী উপায়ে মোটামুটি সাধারণ বিতরণের স্কেল পরিমাপের জন্য বায়েসীয় মডেল কী হবে , এমএডি বা অনুরূপ শক্তিশালী অনুমানকারীগুলির মতো একই অর্থে শক্তিশালী?
এমএডির ক্ষেত্রে যেমন হয়, ততক্ষণে বায়েশিয়ান মডেল যদি তথ্য বিতরণ করা হয় যখন সাধারণত বিতরণ করা হয় তখন একটি সাধারণ বিতরণের এসডির কাছে যেতে পারত ne
সম্পাদনা 1:
একটি মডেল একটি আদর্শ উদাহরণ যে দূষণ / outliers বিরুদ্ধে জোরালো হয় ডেটা অভিমানী হয় মোটামুটিভাবে স্বাভাবিক মত বন্টন এ ব্যবহার করছে:
কোথায় গড় করা হয়, স্কেল, এবং ডিগ্রী অফ স্বাধীনতা। উপর উপযুক্ত গতকাল দেশের সর্বোচ্চ তাপমাত্রা সঙ্গে এবং , গড় একটি অনুমান হতে হবে যে outliers বিরুদ্ধে জোরালো হবে। যাইহোক, on উপর নির্ভরশীল হিসাবে এর এসডির একটি ধারাবাহিক অনুমান হবে না । উদাহরণস্বরূপ, যদি 4.0 নির্ধারিত এবং হবে উপরে একটি থেকে নমুনা একটি বিশাল সংখ্যা লাগানো যেতে হবে মডেল বন্টন তারপরপ্রায় 0.82 হবে। আমি যা খুঁজছি তা এমন একটি মডেল যা শক্ত, টি মডেলের মতো, তবে এসডিটির পরিবর্তে (বা অতিরিক্ত হিসাবে) গড়টি নয়।
সম্পাদনা 2:
এখানে উল্লিখিত টি-মডেলটি কীভাবে গড়ের প্রতি শ্রদ্ধাশীল সে সম্পর্কে আর এবং জাএজিএস-এর একটি কোডিত উদাহরণ অনুসরণ করুন।
# generating some contaminated data
y <- c( rnorm(100, mean=10, sd=10),
rnorm(10, mean=100, sd= 100))
#### A "standard" normal model ####
model_string <- "model{
for(i in 1:length(y)) {
y[i] ~ dnorm(mu, inv_sigma2)
}
mu ~ dnorm(0, 0.00001)
inv_sigma2 ~ dgamma(0.0001, 0.0001)
sigma <- 1 / sqrt(inv_sigma2)
}"
model <- jags.model(textConnection(model_string), list(y = y))
mcmc_samples <- coda.samples(model, "mu", n.iter=10000)
summary(mcmc_samples)
### The quantiles of the posterior of mu
## 2.5% 25% 50% 75% 97.5%
## 9.8 14.3 16.8 19.2 24.1
#### A (more) robust t-model ####
library(rjags)
model_string <- "model{
for(i in 1:length(y)) {
y[i] ~ dt(mu, inv_s2, nu)
}
mu ~ dnorm(0, 0.00001)
inv_s2 ~ dgamma(0.0001,0.0001)
s <- 1 / sqrt(inv_s2)
nu ~ dexp(1/30)
}"
model <- jags.model(textConnection(model_string), list(y = y))
mcmc_samples <- coda.samples(model, "mu", n.iter=1000)
summary(mcmc_samples)
### The quantiles of the posterior of mu
## 2.5% 25% 50% 75% 97.5%
##8.03 9.35 9.99 10.71 12.14