Có tồn tại một số ước tính mạnh mẽ của quy mô . Một ví dụ đáng chú ý là độ lệch tuyệt đối trung bình có liên quan đến độ lệch chuẩn là . Trong khung Bayes tồn tại một số cách để ước tính mạnh mẽ vị trí của phân phối gần như bình thường (ví dụ: Bình thường bị ô nhiễm bởi các ngoại lệ), chẳng hạn, người ta có thể giả sử dữ liệu được phân phối dưới dạng phân phối hoặc phân phối Laplace. Bây giờ câu hỏi của tôi:
Điều gì sẽ là một mô hình Bayes để đo tỷ lệ phân phối gần như bình thường theo cách mạnh mẽ, mạnh mẽ theo nghĩa tương tự như MAD hoặc các công cụ ước tính mạnh tương tự?
Như trường hợp của MAD, sẽ rất gọn gàng nếu mô hình Bayes có thể tiếp cận SD của phân phối bình thường trong trường hợp khi phân phối dữ liệu thực sự được phân phối bình thường.
chỉnh sửa 1:
Một ví dụ điển hình của một mô hình mà là mạnh mẽ chống lại ô nhiễm / giá trị ngoại biên khi giả định các dữ liệu là khoảng bình thường được sử dụng tại phân phối như sau:
Trong đó là giá trị trung bình, là thang đo và là mức độ tự do. Với các linh mục phù hợp trên và , sẽ là ước tính về giá trị trung bình của sẽ mạnh mẽ chống lại các ngoại lệ. Tuy nhiên, sẽ không phải là ước tính nhất quán về SD của vì phụ thuộc vào . Ví dụ, nếu sẽ được cố định 4.0 và các mô hình trên sẽ được trang bị cho một số lượng lớn các mẫu từ một phân phối sau đó s sẽ vào khoảng 0,82. Những gì tôi đang tìm kiếm là một mô hình mạnh mẽ, giống như mô hình t, nhưng đối với SD thay vì (hoặc ngoài) trung bình.
chỉnh sửa 2:
Dưới đây là một ví dụ được mã hóa trong R và JAGS về cách mô hình t được đề cập ở trên mạnh mẽ hơn đối với giá trị trung bình.
# generating some contaminated data
y <- c( rnorm(100, mean=10, sd=10),
rnorm(10, mean=100, sd= 100))
#### A "standard" normal model ####
model_string <- "model{
for(i in 1:length(y)) {
y[i] ~ dnorm(mu, inv_sigma2)
}
mu ~ dnorm(0, 0.00001)
inv_sigma2 ~ dgamma(0.0001, 0.0001)
sigma <- 1 / sqrt(inv_sigma2)
}"
model <- jags.model(textConnection(model_string), list(y = y))
mcmc_samples <- coda.samples(model, "mu", n.iter=10000)
summary(mcmc_samples)
### The quantiles of the posterior of mu
## 2.5% 25% 50% 75% 97.5%
## 9.8 14.3 16.8 19.2 24.1
#### A (more) robust t-model ####
library(rjags)
model_string <- "model{
for(i in 1:length(y)) {
y[i] ~ dt(mu, inv_s2, nu)
}
mu ~ dnorm(0, 0.00001)
inv_s2 ~ dgamma(0.0001,0.0001)
s <- 1 / sqrt(inv_s2)
nu ~ dexp(1/30)
}"
model <- jags.model(textConnection(model_string), list(y = y))
mcmc_samples <- coda.samples(model, "mu", n.iter=1000)
summary(mcmc_samples)
### The quantiles of the posterior of mu
## 2.5% 25% 50% 75% 97.5%
##8.03 9.35 9.99 10.71 12.14