Lấy mật độ sau cho khả năng logic bất thường và trước đó của Jeffreys


8

Hàm khả năng của phân phối logic là:

f(x;μ,σ)αΠTôi1n1σxTôiđiểm kinh nghiệm(-(lnxTôi-μ)22σ2)

và Ưu tiên của Jeffreys là:

p(μ,σ)α1σ2

Vì vậy, kết hợp cả hai cho:

f(μ,σ2|x)= =ΠTôi1n1σxTôiđiểm kinh nghiệm(-(lnxTôi-μ)22σ2)σ-2

Tôi biết rằng mật độ sau cho là Gamma nghịch đảo được phân phối, vì vậy tôi phải tính toánσ2

f(σ2|x)= =f(μ,σ2|x)dμ

nhưng tôi không biết phải bắt đầu từ đâu

Sau bình luận của Glen_b, tôi cho nó một phát:

f(μ,σ2|x)= =ΠTôi1n1σxTôiđiểm kinh nghiệm(-(lnxTôi-μ)22σ2)σ-2

= =σ-n-2ΠTôi= =1n1xTôiđiểm kinh nghiệm(-12σ2ΣTôi= =1n(lnxTôi-μ))

nhưng tôi không thể thấy điều này đi đâu cả.

Một ý tưởng khác mà tôi có là định nghĩa yTôi= =ln(xTôi) , sau đó y được phân phối bình thường. Vì thế

f(μ,σ2|y)= =[ΠTôi= =1n12π1σđiểm kinh nghiệm(-12σ2(yTôi-μ)2)]1σ2

=σ-n-2exp(-1ασ-n-2điểm kinh nghiệm(-12σ2ΣTôi= =1n(yTôi-y¯)2+n(y¯-μ)2) =σ-n-2exp(-1= =σ-n-2điểm kinh nghiệm(-12σ2((n-1)S2+n(y¯-μ)2)) = =σ-n-2điểm kinh nghiệm(-12σ2((n-1)S2)điểm kinh nghiệm(n(y¯-μ)2))

sau đó tích hợp:

σ-n-2điểm kinh nghiệm(-12σ2((n-1)S2)điểm kinh nghiệm(-12σ2n(y¯-μ)2))dμ

bằng phương pháp bạn đề nghị tôi nhận được:

điểm kinh nghiệm(-12σ2n(y¯-μ)2))dμ= =2πσ2n

Vì thế:

α(σ2)-(n+1)/2điểm kinh nghiệm(-12σ2((n-1)S2)

mà thực sự là Gamma nghịch đảo phân phối.

Nhưng tôi không chắc liệu điều này có đúng không, đó cũng là kết quả tương tự như tôi nhận được cho một khả năng bình thường.

Tôi tìm thấy điều này trong tài liệu (không có thêm lời giải thích nào):

nhập mô tả hình ảnh ở đây


Trong dòng toán học đầu tiên của bạn (khả năng), đừng bỏ cụm từ trong hằng số. σ
Glen_b -Reinstate Monica

2
Đó là Sir Harold Jeffreys, vì vậy Jeffreys trước, trước của Jeffreys và trước của Jeffreys đều có thể phòng thủ được, nhưng Jeffrey là sai. Ông thích hình thức cuối cùng.
Nick Cox

Bây giờ, khi bạn kết hợp cả hai, hãy giữ các thuật ngữ .σ
Glen_b -Reinstate Monica

Thứ bạn tìm thấy trong tài liệu là một hậu thế cho . θ= =(μ,σ)
Glen_b -Reinstate Monica

Câu trả lời:


3

Lưu ý rằng - được coi là một hàm trong - những gì bạn có tỷ lệ thuận với mật độ bình thường.μ

Vì vậy, bước 1 là để hoàn thành hình vuông trong đó là trong số mũ, kéo ra phía trước không thể thiếu bất kỳ hằng không cần thiết, và sau đó nhân với thuật ngữ trong không thể thiếu bởi hằng số cần thiết để làm cho nó tích hợp để 1. Sau đó chia ra phía trước tích phân bằng cùng một hằng số (vì vậy bạn không thay đổi giá trị của biểu thức tổng thể).μ

Vì bạn có mật độ trong tích phân, thay thế số hạng trong tích phân bằng 1.

Bạn còn lại một chức năng của ( một chức năng đã thay thế bằng một cái gì đó gần giống với ước tính của nó).μσμ

Bây giờ hãy xem mật độ cho một gamma nghịch đảo ở đây :

f(x;α,β)= =βαΓ(α)x-α-1điểm kinh nghiệm(-βx)

(trong trường hợp này, sử dụng tham số hóa hình dạng tỷ lệ).

Giả sử bạn có chính xác trước (tôi chưa kiểm tra điều đó) -

bạn tìm kiếm mật độ sau cho . Lưu ý rằng chức năng của bạn sau khi tích hợp có thể được viết dưới dạng .σ2c(σ2)-một cái gì đóđiểm kinh nghiệm(-thứ gì khác/σ2)

Vì vậy, bạn có một biểu thức tỷ lệ thuận với mật độ gamma nghịch đảo trong . (Vì nó phải là mật độ, cung cấp hằng số cần thiết để làm cho nó tích hợp thành 1.)σ2


Bạn không thực sự cần phải thay đổi thành . Đó là dữ liệu quan sát nên chúng chỉ là hằng số. Đó là đó là biến. Bạn đã hoàn thành quảng trường. Lưu ý rằng có một thuật ngữ trong và một không trong . Bước tiếp theo từ nơi bạn đã đến đã có trong câu trả lời của tôi. ln(x)yμμμ
Glen_b -Reinstate Monica

Tôi đã cập nhật bài viết của mình một lần nữa (Tôi giữ y cho đơn giản)
spore234

Làm thế nào để tôi rút ra kết quả trong tài liệu?
spore234

Thông qua cách tiếp cận tương tự như trên, nhưng bạn không tích hợp , bạn chỉ cần rút ra các điều khoản. μ
Glen_b -Reinstate Monica
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.