Questions marquées «bayesian»

L'inférence bayésienne est une méthode d'inférence statistique qui repose sur le traitement des paramètres du modèle comme des variables aléatoires et l'application du théorème de Bayes pour déduire des déclarations de probabilité subjectives sur les paramètres ou les hypothèses, conditionnelles à l'ensemble de données observé.

2
Pourquoi y a-t-il des recommandations contre l'utilisation de Jeffreys ou de priors basés sur l'entropie pour les échantillonneurs MCMC?
Sur leur page wiki , les développeurs de Stan déclarent: Quelques principes que nous n'aimons pas: l'invariance, Jeffreys, l'entropie Au lieu de cela, je vois beaucoup de recommandations de distribution normale. Jusqu'à présent, j'ai utilisé des méthodes bayésiennes qui ne reposaient pas sur l'échantillonnage, et j'étais plutôt content d'avoir compris …
11 bayesian  mcmc  prior  pymc  stan 
1
R / mgcv: Pourquoi les produits tenseurs te () et ti () produisent-ils des surfaces différentes?
Le mgcvpackage pour Ra deux fonctions pour ajuster les interactions des produits tensoriels: te()et ti(). Je comprends la division de base du travail entre les deux (ajustement d'une interaction non linéaire vs décomposition de cette interaction en effets principaux et interaction). Ce que je ne comprends pas, c'est pourquoi te(x1, …
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
Interprétation du théorème de Bayes appliqué aux résultats positifs de la mammographie
J'essaie de comprendre le résultat du théorème de Bayes appliqué à l'exemple de la mammographie classique, la torsion de la mammographie étant parfaite. C'est, Incidence du cancer:.01.01.01 Probabilité d'une mammographie positive, étant donné que le patient a un cancer:111 Probabilité d'une mammographie positive, étant donné que le patient n'a pas …
1
Quand la distribution d'échantillonnage fréquentiste ne peut-elle pas être interprétée comme postérieure bayésienne dans les paramètres de régression?
Mes vraies questions se trouvent dans les deux derniers paragraphes, mais pour les motiver: Si j'essaie d'estimer la moyenne d'une variable aléatoire qui suit une distribution normale avec une variance connue, j'ai lu que le fait de mettre un uniforme avant sur la moyenne donne une distribution postérieure proportionnelle à …
3
Comment un Bayésien met-il à jour sa croyance quand quelque chose avec une probabilité 0 s'est produit?
Définir X:=X:=X:= "la pièce a une probabilité 1 d'atterrir" Supposons que l'on ait la croyance préalable: P(X)=1P(X)=1P(X)= 1. Cependant, après avoir lancé la pièce une fois qu'elle a atterri la queue (E:=E:=E:= "pièces de monnaie atterri"). Comment un bayésien devrait-il mettre à jour ses croyances afin de rester cohérent? P(X|E)P(X|E)P(X|E) …
3
MAP est une solution à
J'ai rencontré ces diapositives (diapositives # 16 et # 17) dans l'un des cours en ligne. L'instructeur tentait d'expliquer comment l'estimation maximale postérieure (MAP) est en fait la solution L ( θ ) = I[ θ ≠ θ∗]L(θ)=I[θ≠θ∗]L(\theta) = \mathcal{I}[\theta \ne \theta^{*}] , où θ∗θ∗\theta^{*} est le véritable paramètre. Quelqu'un …
6
Exemples simples du monde réel pour l'enseignement des statistiques bayésiennes?
Je voudrais trouver des "exemples du monde réel" pour l'enseignement des statistiques bayésiennes. Les statistiques bayésiennes permettent d'incorporer formellement les connaissances antérieures dans une analyse. Je voudrais donner aux étudiants quelques exemples simples du monde réel de chercheurs incorporant des connaissances antérieures dans leur analyse afin que les étudiants puissent …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.