Winbugs और अन्य MCMC पूर्व वितरण के लिए जानकारी के बिना

10

जब आपको मापदंडों के वितरण का अंदाजा नहीं होता है तो क्या होता है? हमें किस दृष्टिकोण का उपयोग करना चाहिए?

यदि हम एक निश्चित चर का किसी विशेष प्रजाति की उपस्थिति / अनुपस्थिति पर कोई प्रभाव डालते हैं, और चर को महत्व के अनुसार स्वीकार नहीं किया जाता है, तो ज्यादातर समय हम लक्ष्य को रेखांकित करते हैं। इसका मतलब यह है कि ज्यादातर समय हम एक्सपेक्टेड डिस्ट्रीब्यूशन पर नहीं सोच रहे हैं जो एक पैरामीटर के पास होना चाहिए।

क्या यह मान लेना सही है कि सभी पैरामीटर एक सामान्य वितरण का पालन करते हैं, जब मुझे पता है कि b1, b2, b3 और b4 -2 और 2 के बीच भिन्न होना चाहिए, और b0 -5 और 5 के बीच भिन्न हो सकता है?

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)
}

— Gago-सिल्वा
स्रोत

यदि आपके पास कोई पूर्व नहीं है, तो आप बायेसियन इंट्रेंस का उपयोग नहीं कर सकते। और इसलिए MCMC कार्यप्रणाली,

— शीआन

6

रैखिक भविष्यवक्ता में पैरामीटर टी-वितरित हैं । जब अभिलेखों की संख्या अनंत हो जाती है, तो यह सामान्य वितरण में परिवर्तित हो जाता है। तो हाँ, सामान्य रूप से इसे मापदंडों के सामान्य वितरण को सही माना जाता है।

वैसे भी, बायेसियन आंकड़ों में, आपको पैरामीटर वितरण को नहीं मानने की आवश्यकता है। आम तौर पर आप तथाकथित बिन बुलाए याजकों को निर्दिष्ट करते हैं । प्रत्येक मामले के लिए, अलग-अलग असंक्रामक पुजारियों की सिफारिश की जाती है। इस मामले में, लोग अक्सर कुछ का उपयोग करते हैं (जैसे आप पाठ्यक्रम के मूल्यों को तोड़ सकते हैं):

dunif(-100000, 100000)

या

dnorm(0, 1/10^10)

दूसरे को पसंद किया जाता है, क्योंकि यह विशेष मूल्यों तक सीमित नहीं है। बिना सूचना के पुजारियों के साथ, आपके पास कोई जोखिम नहीं है। आप निश्चित रूप से उन्हें विशेष अंतराल तक सीमित कर सकते हैं, लेकिन सावधान रहें।

तो, आप पहले से बिना सूचना के निर्दिष्ट करते हैं और पैरामीटर वितरण स्वयं बाहर आ जाएगा! इसके बारे में कोई धारणा बनाने की जरूरत नहीं है।

— जिज्ञासु
स्रोत

1

दुर्भाग्य से, यह बिल्कुल सच नहीं है: ऊपर से पहले वर्दी में सीमाएं परिणाम, एस्प को प्रभावित कर सकती हैं। जब परिकल्पना का परीक्षण। यह मेरी राय में विनबग्स की एक खामी है।

— शीआन

@ शीआन - बेशक, मैं यही कहता हूं। इसलिए मैं इस मामले में "फ्लैट सामान्य" पसंद करता हूं - यानी दूसरा विकल्प। संभवतः दूसरे पैरामीटर को ट्विक करने के साथ।

— जिज्ञासु

1

हम्म, यह एक फ्लैट से पहले नहीं है ...

— शीआन

आप उपयोग करने के लिए स्वतंत्र हैं dnorm(0, 1/10^10)या जो भी हो

— उत्सुक

8

दुर्भाग्य से, हानिरहित प्रतीत होने वाले पुजारी बहुत खतरनाक हो सकते हैं (और कुछ अनुभवी बायेसियन को भी बेवकूफ बनाया है)।

यह हालिया पेपर, पूर्व और पश्च (आमतौर पर सीमांत पुजारी / ब्याज के पैरामीटर) के लिए पीछे की कल्पना करने के लिए प्लॉटिंग विधियों के साथ एक अच्छा परिचय प्रदान करता है।

Noninformative Priors को निर्दिष्ट करने के छिपे हुए खतरे। जॉन डब्ल्यू। सीमैन III, जॉन डब्ल्यू। सीमैन जूनियर और जेम्स डी। स्टैमी द अमेरिकन स्टेटिस्टिशियनवोल्यूम 66, अंक 2, मई 2012, पृष्ठ 77-84। http://amstat.tandfonline.com/doi/full/10.1080/00031305.2012.695938

मेरी राय में इस तरह के भूखंडों को किसी भी वास्तविक बायेसियन विश्लेषण में अनिवार्य होना चाहिए, भले ही विश्लेषक को उनकी आवश्यकता न हो - एक बायेसियन विश्लेषण में क्या हो रहा है, अधिकांश पाठकों के लिए स्पष्ट किया जाना चाहिए।

— phaneron
स्रोत

2

अच्छा लिंक, यह एक किटी है कि यह स्वतंत्र रूप से उपलब्ध नहीं है।

— जिज्ञासु

6

संवेदनशीलता विश्लेषण आमतौर पर जाने का एक अच्छा तरीका है: विभिन्न पुजारियों का प्रयास करें और देखें कि उनके साथ आपके परिणाम कैसे बदलते हैं। यदि वे मजबूत हैं, तो आप शायद कई लोगों को अपने परिणामों के बारे में समझाने में सक्षम होंगे। अन्यथा, आप शायद किसी तरह यह जानना चाहते हैं कि पुजारी परिणाम कैसे बदलते हैं।

— पागलपन
स्रोत