Dadas dos matrices x e y, ambos de longitud n, I se ajustan a un modelo y = a + b*x y se desea calcular un intervalo de confianza 95% para la pendiente. Esto es (b - delta, b + delta) donde b se encuentra en la forma habitual y
delta = qt(0.975,df=n-2)*se.slope
y se.la pendiente es el error estándar de la pendiente. Una forma de obtener el error estándar de la pendiente de R es summary(lm(y~x))$coef[2,2]
.
Supongamos ahora que escribo la probabilidad de que la pendiente dado de x y de y, multiplica esto por un "plano" del antes y el uso de un MCMC técnica para extraer una muestra m de la distribución posterior. Definir
lims = quantile(m,c(0.025,0.975))
Mi pregunta: es (lims[[2]]-lims[[1]])/2
aproximadamente igual a delta como se definió anteriormente?
Anexo a Continuación es una simple ENTRECORTADO modelo donde estos dos parecen ser diferentes.
model {
for (i in 1:N) {
y[i] ~ dnorm(mu[i], tau)
mu[i] <- a + b * x[i]
}
a ~ dnorm(0, .00001)
b ~ dnorm(0, .00001)
tau <- pow(sigma, -2)
sigma ~ dunif(0, 100)
}
Yo ejecute el siguiente en R:
N <- 10
x <- 1:10
y <- c(30.5,40.6,20.5,59.1,52.5,
96.0,121.4,78.9,112.1,128.4)
lin <- lm(y~x)
#Calculate delta for a 95% confidence interval on the slope
delta.lm <- qt(0.975,df=N-2)*summary(lin)$coef[2,2]
library('rjags')
jags <- jags.model('example.bug', data = list('x' = x,'y' = y,'N' = N),
n.chains = 4,n.adapt = 100)
update(jags, 1000)
params <- jags.samples(jags,c('a', 'b', 'sigma'),7500)
lims <- quantile(params$b,c(0.025,0.975))
delta.bayes <- (lims[[2]]-lims[[1]])/2
cat("Classical confidence region: +/-",round(delta.lm, digits=4),"\n")
cat("Bayesian confidence region: +/-",round(delta.bayes,digits=4),"\n")
Y obtenemos:
Clásica de la región de confianza: +/- 4.6939
Bayesiana de la región de confianza: +/- 5.1605
Volver a ejecutar esto varias veces, el Bayesiana de la región de confianza es consistentemente mayor que la clásica. Entonces esto es debido a los priores he elegido?