Pytania otagowane jako bayesian

Wnioskowanie bayesowskie jest metodą wnioskowania statystycznego, która polega na traktowaniu parametrów modelu jako zmiennych losowych i zastosowaniu twierdzenia Bayesa do wyprowadzenia subiektywnych stwierdzeń prawdopodobieństwa dotyczących parametrów lub hipotez, w zależności od obserwowanego zestawu danych.

2
Czym jest bayesowski odpowiednik dwupróbkowego testu t z nierównymi wariancjami?
Szukam bayesowskiego odpowiednika dwupróbkowego testu t z nierównymi wariancjami (test Welcha). Szukam również testu na wielu odmianach, takiego jak statystyka T Hotellinga. Docenione referencje. W przypadku wielowymiarowym załóżmy, że mamy i , gdzie (odpowiednio ) jest skrótem do średniej próbki, odchylenia standardowego próbki i liczby punktów. Możemy założyć, że liczba …
2
Jakie rzeczy mogę przewidzieć naiwnym klasyfikatorem bayesowskim?
Jestem początkującym do statystyki (tylko jeden kurs college'u), ale mam doświadczenie w programowaniu. Właśnie zacząłem bawić się biblioteką klasyfikatora Bayesa dla Ruby i szukam pomysłów na rzeczy do analizy. W tej chwili mam do czynienia z kategoryzacją Tweet, ale czy masz jakieś pomysły? Co ważniejsze, w jaki sposób mogę dowiedzieć …
1
R / mgcv: Dlaczego produkty tensorowe te () i ti () wytwarzają różne powierzchnie?
mgcvOpakowanie Rposiada dwie funkcje montowania interakcji produktów napinacz: te()i ti(). Rozumiem podstawowy podział pracy między nimi (dopasowanie interakcji nieliniowej vs. rozkładanie tej interakcji na główne efekty i interakcję). To, czego nie rozumiem, to dlaczego te(x1, x2)i ti(x1) + ti(x2) + ti(x1, x2)może powodować (nieznacznie) różne wyniki. MWE (dostosowany z ?ti): …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
5
Interpretacja twierdzenia Bayesa zastosowana do pozytywnych wyników mammografii
Próbuję owinąć głowę wokół wyniku twierdzenia Bayesa zastosowanego do klasycznego przykładu mammograficznego, przy czym obrót mamogramu jest idealny. To jest, Częstość występowania raka:.01.01.01 Prawdopodobieństwo pozytywnego mammografii, biorąc pod uwagę, że pacjent ma raka:111 Prawdopodobieństwo pozytywnego mammografii, biorąc pod uwagę, że pacjent nie ma raka:.01.01.01 Przez Bayes: P (rak | mammogram …
1
Kiedy rozkładu częstości próbkowania nie można interpretować jako bayesowskie a posteriori w ustawieniach regresji?
Moje aktualne pytania znajdują się w dwóch ostatnich akapitach, ale motywuję je: Jeśli próbuję oszacować średnią zmiennej losowej, która podąża za rozkładem normalnym ze znaną wariancją, przeczytałem, że umieszczenie munduru przed średnią skutkuje rozkładem tylnym, który jest proporcjonalny do funkcji prawdopodobieństwa. W takich sytuacjach wiarygodny przedział bayesowski idealnie pokrywa się …
1
Dlaczego ludzie używają terminu „ciężar dowodów” i czym różni się od „punktowej wzajemnej informacji”?
W tym przypadku „ciężar dowodów” (WOE) jest powszechnym terminem w opublikowanej literaturze naukowej i politycznej, najczęściej postrzeganym w kontekście oceny ryzyka, definiowanym przez: w(e:h)=logp(e|h)p(e|h¯¯¯)w(e:h)=log⁡p(e|h)p(e|h¯)w(e : h) = \log\frac{p(e|h)}{p(e|\overline{h})} gdzie jest dowodem, h jest hipotezą.eeehhh Teraz chcę wiedzieć, jaka jest główna różnica w PMI (punktowe wzajemne informacje) pmi(e,h)=logp(e,h)p(e)∗p(h)pmi(e,h)=log⁡p(e,h)p(e)∗p(h)pmi(e,h)=\log\frac{p(e,h)}{p(e)*p(h)}
1
Do czego odnosi się termin „rzadkie wcześniejsze” (FBProphet Paper)?
Czytając artykuł „Prognozowanie w skali” (narzędzie prognostyczne FBProphet, patrz https://peerj.com/preprints/3190.pdf ) natknąłem się na termin „rzadkie wcześniejsze”. Autorzy wyjaśniają, że używali takiego „rzadkiego wcześniejszego” do modelowania wektora odchyleń szybkości od pewnego współczynnika skalarnego , który jest parametrem modelu w logistycznym modelu wzrostu.δδ\mathbf{\delta}kkk Gdy stwierdzają, że , czy rozumiem poprawnie, że …
2
Rozkład propozycji uogólnionego rozkładu normalnego
Modeluję rozproszenie roślin przy użyciu uogólnionego rozkładu normalnego ( wpis na Wikipedii ), który ma funkcję gęstości prawdopodobieństwa: b2aΓ(1/b)e−(da)bb2aΓ(1/b)e−(da)b \frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b} gdzie jest przebytą odległością, jest parametrem skali, a jest parametrem kształtu. Średnią przebytą odległość podaje standardowe odchylenie tego rozkładu:dddaaabbb a2Γ(3/b)Γ(1/b)−−−−−−−−√a2Γ(3/b)Γ(1/b) \sqrt{\frac{a^2 \Gamma(3/b)}{\Gamma(1/b)}} Jest to wygodne, ponieważ pozwala na uzyskanie …
3
MAP jest rozwiązaniem dla
Natknąłem się na te slajdy (slajd 16 i 17) na jednym z kursów online. Instruktor próbował wyjaśnić, w jaki sposób Maximum Posterior Estimate (MAP) jest faktycznie rozwiązaniem , gdzie \ theta ^ {*} to prawdziwy parametr.L(θ)=I[θ≠θ∗]L(θ)=I[θ≠θ∗]L(\theta) = \mathcal{I}[\theta \ne \theta^{*}]θ∗θ∗\theta^{*} Czy ktoś może wyjaśnić, jak to wygląda? Edycja: Dodano slajdy …
6
Proste przykłady z prawdziwego świata do nauczania statystyki bayesowskiej?
Chciałbym znaleźć kilka „prawdziwych przykładów” do nauczania statystyki bayesowskiej. Statystyka bayesowska pozwala formalnie włączyć wcześniejszą wiedzę do analizy. Chciałbym podać uczniom proste przykłady badaczy z prawdziwego świata, którzy uwzględniają wcześniejszą wiedzę w swoich analizach, aby studenci mogli lepiej zrozumieć motywację, dla której można chcieć przede wszystkim wykorzystywać statystyki bayesowskie. Czy …
7
Czy czułość lub swoistość jest funkcją rozpowszechnienia?
Standardowe nauczanie mówi, że czułość i swoistość są właściwościami testu i są niezależne od rozpowszechnienia. Ale czy to nie tylko założenie? Zasady Harrisona dotyczące medycyny wewnętrznej, 19 edycja, mówią Od dawna twierdzono, że czułość i swoistość są parametrami dokładności testu niezależnymi od rozpowszechnienia, a wiele tekstów wciąż zawiera takie stwierdzenie. …
1
Czy wdrożono sampler Monte Carlo / MCMC, który radzi sobie z izolowanymi lokalnymi maksimami dystrybucji tylnej?
Obecnie używam bayesowskiego podejścia do oszacowania parametrów modelu składającego się z kilku ODE. Ponieważ mam 15 parametrów do oszacowania, moja przestrzeń próbkowania jest 15-wymiarowa, a moje poszukiwane rozmieszczenie z tyłu wydaje się mieć wiele lokalnych maksimów, które są bardzo odizolowane przez duże obszary o bardzo niskim prawdopodobieństwie. Prowadzi to do …
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.