Wiem, że rozkład beta jest sprzężony z dwumianowym. Ale jaki jest koniugat przed wersją beta? Dziękuję Ci.
Wiem, że rozkład beta jest sprzężony z dwumianowym. Ale jaki jest koniugat przed wersją beta? Dziękuję Ci.
Odpowiedzi:
Wygląda na to, że już zrezygnowałeś z koniugacji. Dla przypomnienia, jedną z rzeczy, które widziałem, jak ludzie robią (ale nie pamiętam dokładnie, gdzie to jest, przepraszam) jest taka zmiana parametrów. Jeśli są warunkowo iid, podane , tak że , pamiętaj, że
Tak, ma wcześniej koniugat w rodzinie wykładniczej. Rozważ trzyparametrową rodzinę Dla niektórych wartości(a,b,p)jest to całkowalne, chociaż nie do końca zrozumiałem, które (uważam, żep≥0ia<0,b<0powinny działać -p=0odpowiada niezależnym rozkładom wykładniczym, więc to zdecydowanie działa, a aktualizacja sprzężona wymaga zwiększania
The problem, and at least part of the reason no one uses it, is that
In theory there should be a conjugate prior for the beta distribution. This is because
However the derivation looks difficult, and to quote A Bouchard-Cote's Exponential Families and Conjugate Priors
An important observation to make is that this recipe does not always yields a conjugate prior that is computationally tractable.
Consistent with this, there is no prior for the Beta distribution in D Fink's A Compendium of Conjugate Priors.
I do not believe there is a "standard" (i.e., exponential family) distribution that is the conjugate prior for the beta distribution. However, if one does exist it would have to be a bivariate distribution.
Robert and Casella (RC) happen to describe the family of conjugate priors of the beta distribution in Example 3.6 (p 71 - 75) of their book, Introducing Monte Carlo Methods in R, Springer, 2010. However, they quote the result without citing a source.
Added in response to gung's request for details. RC state that for distribution , the conjugate prior is "... of the form
where are hyperparameters, since the posterior is then equal to
The remainder of the example concerns importance sampling from in order to compute the marginal likelihood of .