बायेसियन सूचना मानदंड में असतत या द्विआधारी मापदंडों के लिए लेखांकन

बीआईसी मापदंडों की संख्या के आधार पर दंडित करता है। क्या होगा अगर कुछ पैरामीटर द्विआधारी संकेतक चर के कुछ प्रकार हैं? क्या इनकी गणना पूर्ण मापदंडों के रूप में की जाती है? लेकिन मैं बाइनरी मापदंडों को एक असतत चर में संयोजित कर सकता हूं जो में मान लेता है । क्या इन्हें पैरामीटर या एक पैरामीटर के रूप में गिना जाएगा ? $m$ $\{0,1,...,2^m-1\}$ $m$

— उच्च बैंडविड्थ
स्रोत

यह आंशिक रूप से BIC में "मापदंडों की संख्या" में इस गड़बड़ी के कारण है कि DIC ( सूचना मानदंड ) ने जहां और ध्यान दें कि तब डेटा पर निर्भर है। (जैसा कि वहां चर्चा की गई है , डीआईसी की भी अपनी समस्याएं हैं!)

p_{D} (x) = E [D (θ) | x] - D (E [θ | x])

$p_D(x) = \mathbb{E}[D(\theta)|x] - D(\mathbb{E}[\theta|x])$

D (θ) = - 2 \log f (x | θ)

$D(\theta)=-2\log f(x|\theta)$

DIC (x) = p_{D} (x) + E [D (θ) | x]

$\text{DIC}(x) = p_D(x) + \mathbb{E}[D(\theta)|x]$

p_{D} (x)

$p_D(x)$

— शीआन
स्रोत

इसलिए मैं थोड़ा उलझन में हूं। मुझे लगा कि BIC अनुमान था, जिसकी गणना MCMC से की जा सकती है। सिमुलेशन। फिर हम डीआईसी की गणना क्यों करेंगे?

E [l o g P (y | M o d e l)] = \log (\int P (y | θ) P_{m o d e l} (θ) d θ)

$E[log P(y|Model)] = \log(\int P(y|\theta)P_{model}(\theta)d\theta)$

— HighBandWidth

हां, बीआईसी सीमांत संभावना का एक अनुमान है। हालाँकि, यह केवल एक सन्निकटन है जो "सत्य" में परिवर्तित होता है जब नमूना आकार अनन्तता तक बढ़ता है। इसलिए यह सीधे बायेसियन नहीं है (एक चीज के लिए पूर्व का उपयोग नहीं करता है!) और पूरी तरह से एमसीएमसी से असंबंधित है (जहां सन्निकटन एक मोंटे कार्लो प्रकार का है: यदि मैं सिमुलेशन की संख्या बढ़ाता हूं, तो सन्निकटन में सुधार होता है)। डीआईसी को कई लोगों द्वारा अधिक बायेसियन माना जाता है (इं। बी। कारलिन और डी। स्पीगलहटलर)

— शीआन

मुझे लगता है कि मेरा सवाल था, क्या डीआईसी सीमांत मॉडल की संभावना का भी एक अनुमान है? मुझे लगता है कि मुझे इसके बारे में स्वयं पढ़ना चाहिए, लेकिन जब हम इस पर चर्चा कर रहे थे, तो मुझे लगा कि इसे समझाने से उत्तर और अधिक संपूर्ण हो जाएगा। धन्यवाद!

— हाईबंडविड