1 votos

¿Cómo se interpreta una previa vaga para la modelización jerárquica?

Soy nuevo en el análisis bayesiano y utilizo el siguiente ejemplo de WINBUGS para entender el modelado jerárquico bayesiano:

WINBUGS MODEL

Tengo dos preguntas:

1) Para los términos de efectos fijos, es decir, los términos beta0 y beta1, me gustaría saber por qué los valores de (0.0, 1.0E-5) es un previo vago, a diferencia de (0.0, 10,000) por ejemplo.

¿Depende el ajuste de estos hiperparámetros vagos a priori de si los datos de las covariables están o no estandarizados/normalizados (Por ejemplo, 1.0E-5 se utiliza como prioridad vaga cuando los datos se normalizan entre 0~1 y 10,000 sería la prioridad vaga para los datos no normalizados) ?

2) Para el tau.h y tau.c en el modelo, estoy viendo que esto se utiliza un "justo" antes. ¿Qué diferencia/efecto tendría si ambos se establecieran en: (0.5,0.0005). He visto que se utiliza aquí por ejemplo. ¿Debo utilizar la prioridad con el DIC más bajo? ¿Y es (0,5,0,0005) una prioridad "justa"?

se agradece cualquier idea.

2voto

Ben Bolker Puntos 8729

Unas cuantas respuestas rápidas:

  • JAGS parametriza la distribución normal en términos de media y precisión (precisión=1/varianza), por lo que una precisión de 1e-5 significa una varianza de 1e5 o una desviación estándar de 316. Que esto es "vago" o "débil" hace dependen de la escala de los datos de las covariables. "Débil" significa esencialmente que la desviación estándar $\gg$ la escala de los datos.
  • No he leído Best et al 1999 (como se cita en su código), pero Gamma(eps,eps) donde eps << 1 es una típica prioridad débil para las precisiones: da una distribución positiva con un gran coeficiente de varianza (es decir, "vaga") y una media de 1 (JAGS parametriza Gamma con forma y tasa, por lo que la media es shape/rate = eps/eps = 1 . Esto también es ligeramente sensible a la escala de la covariable correspondiente.
  • Debe saber que el Gamma(eps,eps) (que se utiliza en parte porque es una prioridad conjugada para la precisión de una distribución Normal, por lo que es matemáticamente/computacionalmente conveniente) se ha demostrado que tiene algunas malas propiedades en los casos en que los datos no son muy fuertes (y por lo tanto la prioridad tiene un efecto); a menudo da densidades máximas poco realistas cerca de cero, véase por ejemplo Gelman 2006.

Gelman, Andrew. "Distribuciones previas para los parámetros de varianza en modelos jerárquicos". Bayesian Analysis 1, no. 3 (xx xx 2006): 515-33.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X