मैंने अभी स्टैन में मॉडल बनाना शुरू किया है ; उपकरण के साथ परिचित बनाने के लिए, मैं बेयसियन डेटा विश्लेषण (2 एड।) में कुछ अभ्यासों के माध्यम से काम कर रहा हूं। Waterbuck व्यायाम supposes कि डेटा के साथ, अज्ञात। चूंकि हैमिल्टनियन मोंटे कार्लो असतत मापदंडों की अनुमति नहीं देता है, मैंने को में एक वास्तविक रूप में घोषित किया है और फ़ंक्शन का उपयोग करके एक वास्तविक-मूल्यवान द्विपद वितरण कोडित किया है।lbeta
परिणामों का एक हिस्टोग्राम लगभग मुझे क्या लगता है जो मैंने सीधे घनत्व को गिनकर पाया। हालाँकि, मुझे चिंता है कि कुछ सूक्ष्म कारण हो सकते हैं, जिन पर मुझे इन परिणामों पर भरोसा नहीं करना चाहिए; चूंकि पर वास्तविक मूल्य का अनुमान गैर-पूर्णांक मानों के लिए सकारात्मक संभावना प्रदान करता है, इसलिए हम जानते हैं कि ये मूल्य असंभव हैं, क्योंकि वास्तविकता में भिन्नात्मक वॉटरबक मौजूद नहीं है। दूसरी ओर, परिणाम ठीक प्रतीत होते हैं, इसलिए सरलीकरण का इस मामले में प्रभाव पर कोई प्रभाव नहीं होगा।
क्या इस तरह से मॉडलिंग करने के लिए कोई मार्गदर्शक सिद्धांत या नियम हैं, या यह एक वास्तविक बुरे अभ्यास के असतत पैरामीटर को "बढ़ावा" देने का तरीका है?