版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
貝氏估計與WinBUGS
在社會科學的應用蔡佳泓政大選舉研究中心貝氏定理基礎(chǔ)根據(jù)機率的定義,聯(lián)合機率是條件機率與邊際機率之乘積Pr(θ,y)=Pr(θ)Pr(y|θ)故Pr(θ|y)=Pr(θ,y)/Pr(y)=Pr(θ)Pr(y|θ)/Pr(y)因為Pr(y)可視為常數(shù),故 Pr(θ|y)=Pr(θ)Pr(y|θ)例子假設(shè)N個選民之中投給歐巴馬的比例為y,N-y投給麥侃,y為一種二元分布
y~(N/y)θy(1-θ)N-y
Pr(y|θ)因為Beta分布介於0與1之間,所以是對於二元分布而言是一個合適的先驗資訊Pr(θ)假設(shè)我們的調(diào)查資料顯示400個受訪者中有240人投歐巴馬,那麼資料顯示的參數(shù)為(240,160),樣本平均值θ為0.6我們?nèi)艏僭O(shè)有五成會投歐巴馬,那麼參數(shù)為(50,50)根據(jù)Beta分布,參數(shù)為αp+y以及βp+N-y,也就是(290,210)樣本平均值為αp+y/(αp+y+βp+N-y)=0.58draws1<-rbeta(800,290,210)>summary(draws1)Min.1stQu.MedianMean3rdQu.Max.0.51550.56410.57980.57940.59510.6519R的模擬R的模擬—4000個樣本>draws2<-rbeta(4000,290,210)>winner1<-ifelse(draws2>0.50,1,0)>winner2<-ifelse(draws2>0.55,1,0)>table(winner1)/length(winner1)winner111>table(winner2)/length(winner2)winner2010.08550.9145貝氏定理延伸給定觀察到的資料,研究者對於參數(shù)的推論來自於一個先驗的資訊乘上一個概似值π(θ|data)=π(θ)*f(data|θ)而π(θ)有可能等於常數(shù),故π(θ|data)=f(data|θ)概似(Likelihood)定義:一個聯(lián)合機率由某未知的參數(shù)所組成例:常態(tài)分佈yi~N(μ,σ2)i=1,…,n為了估計μ,σ,使用最大概似法L(μ,σ2|y)=ПΦ(yi|μ,σ2)=П[(2πσ2)-1/2]exp(-(yi-μ)2/2σ2]<--常態(tài)分佈cdfMLE缺點經(jīng)由各種MLE的估計方法求出讓該式極大化的μ,σ,例如Newton-Raphson,quasi-Newton,EMalgorithm等等。從估計出的參數(shù),可以得到信賴區(qū)間,或是驗證虛無假設(shè),例如係數(shù)是否為0。MLE的估計建立在漸進(asymptotic)假設(shè),也就是需要一定數(shù)目的樣本。如果樣本小,那麼需要用Monte-Carlo模擬確定估計的正確性。貝氏分析1回到y(tǒng)i~N(θ,σ2)i=1,…,n假設(shè)σ2已知θ
~N(μ0,τ02)
或f(θ)=exp(-(θ-μ0)2/2τ02)而f(y|θ,σ2)=П[(2πσ2)-1/2]exp(-(yi-θ)2/2σ2]=exp[(-Σ(yi-θ)2)/2σ2]貝氏分析2f(θ
|y)=f(θ)f(y
|θ)=exp(-(θ-μ0)2/2τ02)exp[(-Σ(yi-θ)2)/2σ2]=exp[(-(θ-μ0)2/2τ02)+[(-Σ(yi-θ)2)/σ2)]θ
|y~N(μn,τn2)重點為:posteriormean為先驗資訊的mean與樣本的mean的函數(shù),而posteriorvariance為先驗τ02與樣本σ2/n相加之倒數(shù)推論1當樣本幾近無限大或是先驗的variance無限大,我們得到的mean幾乎等於樣本的mean,而變異數(shù)亦將近於樣本的變異數(shù)換句話說,在樣本有限的情況下,若先驗的variance很大,亦即先驗的資訊f(θ)準確性很低,我們?nèi)詴玫綔蚀_的參數(shù)估計(即使看起來跟MLE得到的一致)推論2posteriormean=[(1/τ02)μ0+(1/v)y]/[(1/τ02)+(1/v)]其中v=samplevariance/n,y為samplemean除非τ02很小,不然posteriormean跟samplemean可能只差百分之1或更小posteriorvariance=[(1/τ02)+(1/v)]Conjugacy(分布家族)若先驗資訊(prior)與概似機率分布屬於同一家族,得出的posterior也會是同一家族,可簡化貝氏分析PriorLikelihoodPosteriornormalnormalnormalgammanormal(precision)gammabetabinomialbetaexponentialpossionexponentialMCMCMarkov-chainMonteCarlo利用Markov-chain可以先解決較簡單的條件機率問題,構(gòu)成更複雜的機率問題。MonteCarlo則讓我們從特定分佈中不斷抽樣、儲存、進行參數(shù)估計Gibbssampler高階的聯(lián)合機率可以化為低階的條件機率p(x,y,z)=p(x|y,z)p(y|z)p(z)Gibbssampler假設(shè)有兩個參數(shù)θ1,θ2先從θt-12,data抽樣出θt1
。g(θ1|
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 9《古代科技耀我中華》第1課時教學設(shè)計-2024-2025學年道德與法治五年級上冊統(tǒng)編版
- 畢業(yè)晚會主持稿
- 3古詩三首 寒食(教學設(shè)計)-2023-2024學年語文六年級下冊統(tǒng)編版
- 北師大版數(shù)學五年級下冊 體積與容積教學設(shè)計
- Starter Unit 2 Section A Pronunciation 教學設(shè)計 2024-2025學年英語人教版(2024版)七年級上冊
- 6 它們?nèi)ツ睦锪耍ń贪福?023-2024學年一年級下冊科學 教科版
- 小學生的友善藍圖
- 拆空調(diào)的協(xié)議書
- 社區(qū)規(guī)范黨務工作對照自查清單
- 《記敘文中自然環(huán)境描寫的作用》教學設(shè)計
- 中石化阻燃服標準
- 2024屆安徽省亳州市譙城區(qū)中考物理全真模擬試卷含解析
- 重組人生長激素行業(yè)商業(yè)發(fā)展計劃書
- 寵物露營商業(yè)計劃書
- 醫(yī)院臨床護理服務全過程14項實施指引
- 阿房宮賦練習題
- 第3章 一元一次方程(單元解讀課件)-人教版初中數(shù)學七年級上冊
- 參保個人停保申請表
- 《施工現(xiàn)場建筑垃圾統(tǒng)計表》(范例)
- 第8課 隋唐政治演變與民族交融 教案-2023-2024學年中職高一上學期高教版(2023)中國歷史全一冊
- 人美版小學美術(shù)《色彩》單元作業(yè)設(shè)計
評論
0/150
提交評論