Давайте сначала посмотрим на них по очереди (с учетом другого).
Из ссылки (с изменением следующего соглашения об использовании греческих символов для параметров):
е( x | μ , τ) = 12 τехр( - | x - μ |τ)
- масштабный параметр :
L (τ) ∝ τ- к - 1е- Sτ
при определенных значениях и S . То есть вероятность имеет форму обратной гаммы.КS
Таким образом, параметр масштаба имеет предшествующее сопряжение - при проверке предшествующее сопряжение является обратной гаммой.
- параметр местоположения
Это действительно сложнее, потому что не упрощается во что-то удобное в μ ; Я не думаю, что есть какой-то способ «собрать термины» (ну, в некотором роде, но нам это не нужно).Σя| Икся- μ |μ
Равномерный априор просто усекает задний, с которым не так уж плохо работать, если это кажется правдоподобным как априор.
Одна интересная возможность, которая иногда может оказаться полезной, заключается в том, что довольно просто включить априор Лапласа (тот же масштаб, что и у данных) с помощью псевдонаблюдения. Можно также приблизиться к некоторому другому (более жесткому) ранее с помощью нескольких псевдонаблюдений)
На самом деле, чтобы обобщить это, если бы я работал с Лапласом, у меня был бы соблазн просто обобщить от постоянной шкалы-постоянного веса до работы с версией Лапласа с взвешенным наблюдением (эквивалентно, потенциально другой масштаб для каждая точка данных) - логарифмическая вероятность все еще является просто непрерывной кусочно-линейной функцией, но наклон может изменяться нецелыми величинами в точках соединения. Тогда существует удобный «сопряженный» априор - просто еще один «взвешенный» Лаплас или, действительно, что-нибудь вида w ∗ехр( - ∑J| μ- θJ| / ϕJ)ехр( - ∑Jвес*J| μ- θJ| )
Он также достаточно гибок, чтобы его можно было использовать для аппроксимации других приоров.
(В более общем смысле можно было бы работать в логарифмическом масштабе и использовать непрерывный, кусочно-линейный лог-вогнутый априор, а задний также имел бы такую форму; это включало бы асимметричный Лаплас в качестве особого случая)
пример
Просто для того, чтобы показать, что с этим довольно легко иметь дело - ниже приведен предварительный (пунктирный серый), правдоподобный (пунктирный, черный) и задний (сплошной, красный) параметр местоположения для взвешенного Лапласа (... это было с известными шкалами ).
Я думаю, что взвешенный подход Лапласа будет хорошо работать в MCMC.
-
Интересно, является ли полученная в результате апостериорная мода взвешенной медианой?
- на самом деле (чтобы ответить на мой собственный вопрос), похоже, что ответ «да». С этим приятно работать.
-
Совместный до
е( μ , τ) = f( μ | τ) f( τ)μ | ττττ
Несомненно, что-то более общее для совместного предварительного вполне возможно, но я не думаю, что я буду продолжать совместное дело дальше, чем здесь.
-
Я никогда раньше не видел и не слышал об этом предварительном подходе с использованием взвешенного круга, но придумать его было довольно просто, так что, вероятно, это уже было сделано. (Ссылки приветствуются, если кто-нибудь знает о них.)
Если никто вообще не знает каких-либо ссылок, возможно, мне стоит что-то написать, но это было бы удивительно.