Джеффрис до приёма биномиальной вероятности


10

Если я использую предварительное значение Джеффриса для параметра биномиальной вероятности то это подразумевает использование распределения .thetas ; ~ б е т ( 1 / 2 , 1 / 2 )θθbeta(1/2,1/2)

Если я перейду на новую систему координат то ясно, что также не распространяется как . φ б е т ( 1 / 2 , 1 / 2 )ϕ=θ2ϕbeta(1/2,1/2)

Мой вопрос в том, в каком смысле Джеффрис ранее инвариантен к репараметризации? Я думаю, что я неправильно понимаю тему, если честно ...

Лучший,

Бен


6
Приор Джеффриса инвариантен в том смысле, что начиная с априора Джеффриса для одной параметризации и выполняя соответствующее изменение переменной, идентично получению априора Джеффриса непосредственно для этой новой параметризации. На самом деле, эквивариантный будет более подходящим термином, чем инвариантный .
Сиань

@ ben18785: взгляните на stats.stackexchange.com/questions/38962/…
Zen

См. Также math.stackexchange.com/questions/210607/… (более или менее тот же вопрос, я думаю, но на другом сайте).
Натаниэль

Ответы:


16

Пусть , где - монотонная функция от и пусть - обратное к , так что . Мы можем получить предварительное распределение Джеффри двумя способами:ϕ=g(θ)gθhgθ=h(ϕ)pJ(ϕ)

  1. Начните с биномиальной модели (1) повторно параметризовать модель с помощью чтобы получить и получите предварительное распределение Джеффри для этой модели.
    п(Y|θ)знак равно(NY)θY(1-θ)N-Y
    φзнак равног(θ)
    п(Y|φ)знак равно(NY)час(φ)Y(1-час(φ))N-Y
    пJ(φ)
  2. Получите предварительное распределение Джеффри из исходной биномиальной модели 1 и примените формулу замены переменных, чтобы получить индуцированную априорную плотность припJ(θ)φ
    пJ(φ)знак равнопJ(час(φ))|dчасdφ|,

Быть инвариантным к репараметризации означает, что плотности полученные обоими способами, должны быть одинаковыми. Приор Джеффри обладает такой характеристикой [Ссылка: Первый курс по байесовским статистическим методам П. Хоффа .]пJ(φ)

Ответить на ваш комментарий. Чтобы получить предварительное распределение Джеффри из вероятности для биномиальной модели мы должны вычислить информацию Фишера, взяв логарифм вероятности и вычислить вторую производную от и информация о Фишере пJ(θ)

п(Y|θ)знак равно(NY)θY(1-θ)N-Y
LL
Lзнак равножурнал(п(Y|θ))αYжурнал(θ)+(N-Y)журнал(1-θ)Lθзнак равноYθ-N-Y1-θ2Lθ2знак равно-Yθ2-N-Y(1-θ)2
я(θ)знак равно-Е(2Lθ2|θ)знак равноNθθ2+N-Nθ(1-θ)2знак равноNθ(1-θ)αθ-1(1-θ)-1,
Приоритет Джеффри для этой модели: что равно .
пJ(θ)знак равноя(θ)αθ-1/2(1-θ)-1/2
бета(1/2,1/2)


1
Спасибо за Ваш ответ. Боюсь, я немного медлителен. В каком смысле мы можем получить априор по вероятности? Это две разные вещи, и последнее не подразумевает первое ...
ben18785

4
Я ответил выше, получив предварительную Джеффри из вероятности биномиальной модели. пJ(θ)
Марко Лалович
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.