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
Jakie jest teoretyczne uzasadnienie dla bayesowskich wiarygodnych procedur interwałów?
(Aby zobaczyć, dlaczego to napisałem, sprawdź komentarze poniżej mojej odpowiedzi na to pytanie ). Błędy typu III i teoria decyzji statystycznych Udzielenie prawidłowej odpowiedzi na złe pytanie jest czasem nazywane błędem typu III. Statystyczna teoria decyzji jest formalizacją procesu decyzyjnego w warunkach niepewności; zapewnia ramy koncepcyjne, które mogą pomóc w …
1
Artykuł o niewłaściwym użyciu metody statystycznej w NYTimes
Mam na myśli ten artykuł: http://www.nytimes.com/2011/01/11/science/11esp.html Rozważ następujący eksperyment. Załóżmy, że istnieje powód, by sądzić, że moneta była lekko obciążona w kierunku głów. W teście moneta pojawia się 527 razy na 1000 głów. Czy to znaczący dowód na ważenie monety? Klasyczna analiza mówi „tak”. Przy uczciwej monecie szanse na uzyskanie …
4
Jakie są prawidłowe wartości precyzji i przywołania w przypadkach krawędzi?
Precyzja jest zdefiniowana jako: p = true positives / (true positives + false positives) Czy jest to prawidłowe, że, jak true positivesi false positivespodejście 0, precyzja zbliża 1? To samo pytanie do przypomnienia: r = true positives / (true positives + false negatives) Obecnie wdrażam test statystyczny, w którym muszę …
20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 
2
Bayesian myśli o przeuczeniu
Poświęciłem dużo czasu na opracowanie metod i oprogramowania do walidacji modeli predykcyjnych w tradycyjnej dziedzinie statystyki częstokroć. Wprowadzając w życie więcej pomysłów bayesowskich i nauczając, dostrzegam kilka kluczowych różnic do przyjęcia. Po pierwsze, bayesowskie modelowanie predykcyjne prosi analityka o przemyślenie wcześniejszych dystrybucji, które można dostosować do cech kandydujących, a ci …
3
Dlaczego w twierdzeniu Bayesa wymagany jest czynnik normalizujący?
Twierdzenie Bayesa idzie P.( model | dane ) = P( model ) × P( dane | model )P.( dane )P.(Model|dane)=P.(Model)×P.(dane|Model)P.(dane) P(\textrm{model}|\textrm{data}) = \frac{P(\textrm{model}) \times P(\textrm{data}|\textrm{model})}{P(\textrm{data})} Wszystko w porządku. Ale gdzieś przeczytałem: Zasadniczo P (dane) jest tylko stałą normalizującą, tj. Stałą, która powoduje zintegrowanie gęstości tylnej z jedną. Wiemy, że i …
3
Łagodniejsze podejście do statystyki bayesowskiej
Niedawno zacząłem czytać „Wprowadzenie do statystyki bayesowskiej” 2. wydanie Bolstad. Miałem klasę statystyk wprowadzających, która obejmowała głównie testy statystyczne i prawie przechodzę klasę w analizie regresji. Jakich innych książek mogę użyć, aby uzupełnić moje zrozumienie tej? Udało mi się przejść przez pierwsze 100-125 stron. Potem książka zaczyna mówić o testowaniu …
1
Kiedy należy użyć próbkowania Gibbsa zamiast Metropolis-Hastings?
Istnieją różne rodzaje algorytmów MCMC: Metropolis-Hastings Gibbs Próbkowanie pod kątem ważności / odrzucenia (powiązane). Dlaczego warto korzystać z próbkowania Gibbs zamiast Metropolis-Hastings? Podejrzewam, że zdarzają się przypadki, w których wnioskowanie jest łatwiejsze w przypadku próbkowania Gibbsa niż w przypadku Metropolis-Hastings, ale nie mam jasności co do szczegółów.
1
Antonim wariancji
Czy istnieje słowo, które oznacza „odwrotność wariancji”? To znaczy, jeśli ma dużą wariancję, to ma niskie ? Nie jesteś zainteresowany bliskim antonimem (jak „zgoda” lub „podobieństwo”), ale konkretnie oznacza ?X … 1 / σ 2XXXXXX……\dots1 / σ2)1/σ21/\sigma^2
4
Czy analiza Bayesian Statistics wymaga analizy mocy?
Ostatnio badałem bayesowskie podejście do statystyki klasycznej. Po przeczytaniu o czynniku Bayesa zastanawiałem się, czy analiza mocy jest niezbędna w tym widoku statystyki. Moim głównym powodem do zastanowienia się nad tym jest fakt, że czynnik Bayesa wydaje się po prostu współczynnikiem prawdopodobieństwa. Kiedy jest to 25: 1, wydaje się, że …
2
Stabilność walidacji krzyżowej w modelach bayesowskich
Dopasowuję Bayesian HLM w JAGS przy użyciu k-krotnej walidacji krzyżowej (k = 5). Chciałbym wiedzieć, czy szacunki parametru są stabilne we wszystkich fałdach. Jak najlepiej to zrobić?ββ\beta Jednym z pomysłów jest znalezienie różnic w tylnej stronie i sprawdzenie, czy 0 jest w 95% CI różnicy. Innymi słowy, wynosi 0 w …
1
Jakie algorytmy / techniki MCMC są stosowane do dyskretnych parametrów?
Wiem sporo o dopasowywaniu parametrów ciągłych, szczególnie metod opartych na gradiencie, ale niewiele o dopasowywaniu parametrów dyskretnych. Jakie są powszechnie stosowane algorytmy / techniki MCMC do dopasowania dyskretnych parametrów? Czy istnieją algorytmy, które są zarówno dość ogólne, jak i dość wydajne? Czy istnieją algorytmy, które dobrze radzą sobie z przekleństwem …
19 bayesian  mcmc 
3
Czy statystyki bayesowskie są rzeczywiście poprawą w stosunku do tradycyjnych (częstych) statystyk dla badań behawioralnych?
Podczas udziału w konferencjach zwolennicy statystyki bayesowskiej mieli niewielki nacisk na ocenę wyników eksperymentów. Jest chwalony za bardziej wrażliwy, odpowiedni i wybiórczy w stosunku do prawdziwych ustaleń (mniej fałszywych wyników pozytywnych) niż częste statystyki. Zagłębiłem się nieco w ten temat i jak dotąd nie jestem przekonany o korzyściach płynących z …
5
Co w praktyce oznacza „prawdopodobieństwo zdefiniowane tylko do multiplikatywnej stałej proporcjonalności”?
Czytam artykuł, w którym autorzy prowadzą dyskusję o oszacowaniu maksymalnego prawdopodobieństwa do twierdzenia Bayesa, rzekomo jako wstęp dla początkujących. Jako przykład prawdopodobieństwa zaczynają się od rozkładu dwumianowego: p(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,\theta) = \binom{n}{x}\theta^x(1-\theta)^{n-x} a następnie zaloguj obie strony ℓ(θ|x,n)=xln(θ)+(n−x)ln(1−θ)ℓ(θ|x,n)=xln⁡(θ)+(n−x)ln⁡(1−θ)\ell(\theta|x, n) = x \ln (\theta) + (n-x)\ln (1-\theta) z uzasadnieniem, że: „Ponieważ prawdopodobieństwo jest …
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.