आइए पहले एक बार उन्हें देखें (दूसरे को दिए गए तरीके से)।
लिंक से (मापदंडों के लिए ग्रीक प्रतीकों का उपयोग करने के सम्मेलन के संशोधन के साथ):
f(x|μ,τ)=12τexp(−|x−μ|τ)
- स्केल पैरामीटर :
L(τ)∝τ−k−1e−Sτ
kS
इसलिए स्केल पैरामीटर में एक संयुग्म पूर्व होता है - निरीक्षण से पहले संयुग्म पूर्व व्युत्क्रम गामा है।
- स्थान पैरामीटर
∑i|xi−μ|μ
एक पूर्व की वर्दी बस पीछे की तरफ छंटनी करेगी, जो कि पूर्व के रूप में प्रशंसनीय प्रतीत होने के साथ काम करने के लिए इतना बुरा नहीं है।
एक दिलचस्प संभावना जो कभी-कभार उपयोगी हो सकती है, वह है छद्म-अवलोकन के उपयोग से पहले एक लाप्लास को (डेटा के समान पैमाने के साथ एक) शामिल करना आसान है। व्यक्ति कुछ छद्म टिप्पणियों के माध्यम से पहले कुछ अन्य (तंग) का अनुमान लगा सकता है)
exp(−∑j|μ−θj|/ϕj)exp(−∑jw∗j|μ−θj|)
यह काफी लचीला भी है कि इसका उपयोग अन्य पुजारियों के लिए किया जा सकता है।
(आम तौर पर अभी भी, कोई लॉग-स्केल पर काम कर सकता है और एक सतत, टुकड़ा-वार-रेखीय लॉग-कॉन्क्लेव का उपयोग कर सकता है और पोस्टीरियर भी उसी रूप में होगा; इसमें एक विशेष मामले के रूप में असममित लाप्लास शामिल होगा)
उदाहरण
बस यह दिखाने के लिए कि इससे निपटना बहुत आसान है - नीचे एक भारित लाप्लास के लिए स्थान पैरामीटर के लिए एक पूर्व (डॉटेड ग्रे), संभावना (धराशायी, काला) और पश्च (ठोस, लाल) है (यह ज्ञात तराजू के साथ था) )।
भारित लाप्लास दृष्टिकोण एमसीएमसी में अच्छी तरह से काम करेगा, मुझे लगता है।
-
मुझे आश्चर्य है कि अगर परिणाम के बाद का मोड एक भारित मंझला है?
- वास्तव में (मेरे अपने प्रश्न का उत्तर देने के लिए), ऐसा लगता है कि इसका उत्तर 'हां' है। इसके साथ काम करना अच्छा लगता है।
-
संयुक्त पूर्व
f(μ,τ)=f(μ|τ)f(τ)μ|ττττ
संयुक्त पूर्व के लिए कुछ अधिक सामान्य संदेह काफी संभव है, लेकिन मुझे नहीं लगता कि मैं यहां से आगे संयुक्त मामले का पीछा करूंगा।
-
मैंने पहले कभी इस भारित-लैप्लस के बारे में नहीं देखा या सुना है, लेकिन यह पहले से ही सरल था, इसलिए शायद यह पहले से ही किया गया है। (संदर्भ का स्वागत है, अगर किसी को किसी का पता है।)
अगर किसी को किसी भी संदर्भ का पता नहीं है, तो शायद मुझे कुछ लिखना चाहिए, लेकिन यह आश्चर्यजनक होगा।