Estoy trabajando en un modelo basado en un feo parametrización de la función de actuar como una función de calibración en una parte de la modelo. El uso de un ajuste Bayesiano, necesito que los informativos de los priores de los parámetros que describen mi función. Sé que, idealmente, debería derivado de referencia o, al menos, Jeffreys priores, pero la función es muy feo, tiene muchos parámetros y soy pesimista sobre la posibilidad de obtener realmente un resultado. Así que me decidí a dejar de lado esta posibilidad y empíricamente elegir mi priores de palanca para que ellos sean bastante no-informativa. Aquí están mis dos preguntas.
Puedo hacer más que curiosos y dar ideas de sus no-informativness a partir de la inferencia de los resultados ? Edit : supongo que el trazado posterior Vs anterior sería un primer punto. Tal vez la comparación del MAPA y ML estimaciones podría ser un segundo argumento ?
Por otra parte, es que tienen sentido para justificar algún aspecto de la elección de un "análisis dimensional"? Como un ejemplo, si yo considero una probabilidad estructura de la forma (en una regresión simple): $$ Y | a,b,x = a.x+b.e^{-x} + \epsilon $$ ¿Cree usted que me puede adivinar cualquier "estructura" de la anterior en $a$ $b$ basado en el hecho de que uno pesa $x$, mientras que el otro pesa $e^x$ ?
