मैं उदाहरण के तौर पर कैंसर की दर (जैसा कि जॉनसन और अल्बर्ट 1999 में हूं) से संबंधित एक उदाहरण देना चाहूंगा। यह आपकी रुचि के पहले और तीसरे तत्व को स्पर्श करेगा।
इसलिए समस्या विभिन्न शहरों में कैंसर की दर की भविष्यवाणी कर रही है। मान लें कि हमारे पास विभिन्न शहरों में लोगों की संख्या और कैंसर x i के साथ मरने वालों की संख्या है । हम कैंसर की दर अनुमान लगाना चाहते कहो θ मैं । उन्हें मॉडल करने के विभिन्न तरीके हैं और जैसा कि हम उनमें से प्रत्येक के साथ समस्याओं को देखते हैं। हम देखेंगे कि कैसे विषम बेयरिंग मॉडलिंग कुछ समस्या को दूर कर सकती है।
1. एक तरह से अलग से आकलन करने के लिए है, लेकिन हम विरल डेटा समस्या से ग्रस्त होगा और कम के लिए के रूप में दरों में से एक कम हो जाएगा एन मैंNixiθi
एनमैं।
2. विरल डेटा की समस्या को प्रबंधित करने के लिए एक और दृष्टिकोण सभी शहरों के लिए एक ही का उपयोग करना और मापदंडों को टाई करना होगा, लेकिन यह भी एक बहुत मजबूत धारणा है।
3. तो क्या किया जा सकता है सब है θ मैं की किसी तरह से समान है लेकिन यह भी शहर विशिष्ट बदलाव के साथ कर रहे हैं। तो एक इस तरह से मॉडल सकता है कि सभी θ मैं एक सामान्य वितरण से लिए गए हैं। कहो x मैं ~ बी मैं n ( एन मैं , θ मैं ) और θ मैं ~ बी ई टी एक ( एक ,θमैं
θमैंθमैंएक्समैं~ बी मैं n ( एनमैं, θमैं)
एक पूर्ण संयुक्त वितरण तो होगा पी ( डी , θ , η | एन ) = पी ( η ) Π एन मैं = 1 बी मैं n ( एक्स मैं | एन मैं , θ मैं ) बी ई टी एक ( θ मैं | η ) जहां η = ( ए , बी ) । हम अनुमान लगाने के लिए की जरूरत है ηθमैं∼ बी ई टी ए ( ए , बी )
पी ( डी , θ , η| एन) = पी ( η) ∏एनमैं = १B i n ( xमैं| एनमैं, θमैं) बी ई टी एक ( θमैं| η)η= ( ए , बी )ηडेटा से। यदि इसे स्थिर किया जाता है तो सूचना बीच नहीं आएगी और वे सशर्त रूप से स्वतंत्र होंगे। लेकिन इलाज से η अज्ञात के रूप में हम कम डेटा के साथ शहरों और अधिक डेटा के साथ शहरों से सांख्यिकीय ताकत उधार अनुमति देते हैं।
हाइपरपैरेटर्स में अनिश्चितता का मॉडल बनाने के लिए मुख्य विचार अधिक बेयसियन और पुजारियों पर सेटिंग करना है। इस बीच प्रभाव के प्रवाह की अनुमति देता है θ मैं 'इस उदाहरण में है।θमैंη
θमैं