Câu hỏi được gắn thẻ «posterior»

Khi lấy các mẫu MCMC để suy luận về một tham số cụ thể, các hướng dẫn tốt cho số lượng mẫu hiệu quả tối thiểu mà người ta nên nhắm đến là gì? Và, lời khuyên này có thay đổi khi mô hình trở nên phức tạp hơn hay …

13 bayesian  sample-size  mcmc  posterior 

Giả sử chúng ta có một tập hợp các điểm . Mỗi điểm được tạo bằng phân phối Để có được hậu thế cho chúng ta viết Theo giấy Minka về vọng Tuyên truyền chúng ta cần tính toán để có được sau và, vì vậy, vấn đề trở nên …

13 bayesian  mixture  posterior 

Khi suy ra ma trận chính xác của một phân phối bình thường được sử dụng để tạo các vectơ chiều chúng ta thường đặt một Wishart trước hơn vì phân phối Wishart là liên hợp trước giới hạn của phân phối chuẩn nhiều biến số với phương sai đã …

12 bayesian  posterior  hierarchical-bayesian  conjugate-prior  wishart 

Điều này cũng đã được hỏi tại Khoa học tính toán. Tôi cố gắng để tính toán một ước tính Bayesian của một số hệ số cho một autoregression, với 11 mẫu dữ liệu: Yi=μ+α⋅Yi−1+ϵiYi=μ+α⋅Yi−1+ϵi Y_{i} = \mu + \alpha\cdot{}Y_{i-1} + \epsilon_{i} trong đóϵiϵi\epsilon_{i} là Gaussian với trung bình 0 …

12 bayesian  mathematical-statistics  posterior 

Trong phân tích Conjugate Bayesian của Kevin Murphy về phân phối Gaussian , ông viết rằng phân phối dự báo sau là p(x∣D)=∫p(x∣θ)p(θ∣D)dθp(x∣D)=∫p(x∣θ)p(θ∣D)dθ p(x \mid D) = \int p(x \mid \theta) p(\theta \mid D) d \theta Trong đó DDD là dữ liệu mà mô hình phù hợp và xxx là …

12 bayesian  predictive-models  inference  posterior 

(Câu hỏi này được lấy cảm hứng từ nhận xét này từ Xi'an .) Người ta biết rằng nếu phân phối trước là phù hợp và khả năng được xác định rõ, thì phân phối sau là gần như chắc chắn.π(θ)π(θ)\pi(\theta)L(θ|x)L(θ|x)L(\theta | x)π(θ|x)∝π(θ)L(θ|x)π(θ|x)∝π(θ)L(θ|x)\pi(\theta|x)\propto \pi(\theta) L(\theta|x) Trong một số trường hợp, …

11 bayesian  prior  posterior 

Tôi đang làm việc về việc tạo ra một hậu thế Bình thường-Wishart nhưng tôi bị kẹt ở một trong các tham số (phía sau của ma trận tỷ lệ, xem ở phía dưới). Chỉ cho bối cảnh và tính đầy đủ, đây là mô hình và phần còn lại …

11 bayesian  posterior 

Tôi đã đọc về ước tính khả năng tối đa và tối đa ước tính hậu sinh và cho đến nay tôi đã gặp các ví dụ cụ thể chỉ với ước tính khả năng tối đa. Tôi đã tìm thấy một số ví dụ trừu tượng về ước lượng …

11 bayesian  estimation  posterior 

Các câu hỏi thực tế của tôi nằm trong hai đoạn cuối, nhưng để thúc đẩy chúng: Nếu tôi đang cố ước tính giá trị trung bình của một biến ngẫu nhiên theo phân phối Bình thường với phương sai đã biết, tôi đã đọc rằng đặt đồng phục trước …

11 bayesian  maximum-likelihood  posterior  frequentist 

Tôi bối rối về cách đánh giá phân phối dự báo sau cho hồi quy tuyến tính Bayes, qua trường hợp cơ bản được mô tả ở đây trên trang 3 và được sao chép bên dưới. p(y~∣y)=∫p(y~∣β,σ2)p(β,σ2∣y)p(y~∣y)=∫p(y~∣β,σ2)p(β,σ2∣y) p(\tilde y \mid y) = \int p(\tilde y \mid \beta, \sigma^2) p(\beta, …

10 regression  bayesian  predictive-models  prediction  posterior 

Liệu stan (đặc biệt là rstan) có các cơ sở tích hợp để tạo phân phối dự báo sau? Không khó để tạo phân phối từ stan fit, nhưng tôi không muốn phát minh lại bánh xe.

9 bayesian  posterior  stan 

Giả sử có phân phối nhị thức trong đó trước của tham số là đồng nhất. Làm thế nào tôi có thể có được phân phối sau của tham số?

9 bayesian  posterior 

Khi ước tính các tham số với MAP, tại sao chúng ta lại ước tính "chế độ"? Tôi nghĩ rằng nó sẽ có nghĩa là phân phối sau?

9 bayesian  posterior  bayes 

Tôi có một khả năng khá phẳng khiến cho bộ lấy mẫu của Metropolis-Hastings di chuyển qua không gian tham số rất bất thường, tức là không thể đạt được sự hội tụ cho dù các tham số của phân phối đề xuất là gì (trong trường hợp của tôi …

9 mcmc  likelihood  posterior 

Tìm hiểu làm thế nào để mô phỏng một cái gì đó thường là cách tốt nhất để hiểu các nguyên tắc cơ bản. Tôi hơi mất công về cách mô phỏng chính xác như sau. Giả sử rằng và có phân phối trước đó là . Dựa trên một …

8 bayesian  simulation  posterior