Preguntas etiquetadas con bayesian

Acabo de empezar a construir modelos en Stan ; para familiarizarme con la herramienta, estoy trabajando en algunos de los ejercicios en Bayesian Data Analysis (2nd ed.). El ejercicio Waterbuck supone que los datos , con ( N , θ ) desconocido. Desde hamiltoniano Monte Carlo no permite parámetros discretos, …

13 bayesian  mcmc  discrete-data  stan 

Al obtener muestras de MCMC para hacer inferencia sobre un parámetro en particular, ¿cuáles son buenas guías para la cantidad mínima de muestras efectivas a las que se debe apuntar? Y, ¿cambia este consejo a medida que el modelo se vuelve más o menos complejo?

13 bayesian  sample-size  mcmc  posterior 

Estoy tratando de ejecutar un logit bayesiano en los datos aquí . Estoy usando bayesglm()el armpaquete en R. La codificación es bastante sencilla: df = read.csv("http://dl.dropbox.com/u/1791181/bayesglm.csv", header=T) library(arm) model = bayesglm(PASS ~ SEX + HIGH, family=binomial(link="logit"), data=df) summary(model) da el siguiente resultado: Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) …

13 r  bayesian  p-value 

Supongamos que tenemos un conjunto de puntos . Cada punto se genera utilizando la distribución Para obtener posterior para escribimos De acuerdo con el documento de Minka en Expectativa Propagación tenemos cálculos para obtener posterior y, así, se convierte en un problema insoluble para grandes tamaños de muestra . Sin …

13 bayesian  mixture  posterior 

Hay varios documentos matemáticos que describen el lazo bayesiano, pero quiero probar el código JAGS correcto que puedo usar. ¿Alguien podría publicar código BUGS / JAGS de muestra que implemente la regresión logística regularizada? Cualquier esquema (L1, L2, Elasticnet) sería genial, pero se prefiere Lasso. También me pregunto si hay …

13 bayesian  logistic  lasso  jags  regularization 

He visto referencias al aprendizaje de la teoría de probabilidad bayesiana en R, y me preguntaba si hay más como esta, ¿quizás específicamente en Python? ¿Orientado hacia el aprendizaje de la teoría de probabilidad bayesiana, inferencia, estimación de máxima verosimilitud, modelos gráficos y el tipo?

13 machine-learning  bayesian  python  graphical-model 

Cerrado. Esta pregunta está fuera de tema . Actualmente no está aceptando respuestas. ¿Quieres mejorar esta pregunta? Actualice la pregunta para que esté en el tema de Cross Validated. Cerrado hace 11 meses . Estoy siguiendo un curso sobre estadísticas bayesianas usando BUGS y R. Ahora, ya conozco BUGS, es …

13 r  bayesian  bugs 

En respuesta a un creciente cuerpo de estadísticos e investigadores que critican la utilidad de las pruebas de hipótesis nulas (NHT) para la ciencia como un esfuerzo acumulativo, la Fuerza de Tarea de la Asociación Americana de Psicología sobre Inferencia Estadística evitó una prohibición total de NHT, pero en cambio …

13 bayesian  confidence-interval  effect-size  inference 

Me gustaría automatizar la elección del quemado para una cadena MCMC, por ejemplo, eliminando las primeras n filas según un diagnóstico de convergencia. ¿En qué medida se puede automatizar este paso de forma segura? Incluso si aún verifico dos veces la autocorrelación, el seguimiento de mcmc y los archivos PDF, …

13 r  bayesian  mcmc 

Aprendizaje de estadísticas bayesianas por primera vez; Como un ángulo para comprender MCMC, me preguntaba: ¿está haciendo algo que fundamentalmente no se puede hacer de otra manera, o simplemente está haciendo algo mucho más eficiente que las alternativas? A modo de ilustración, supongamos que estamos tratando de calcular la probabilidad …

13 bayesian  mcmc 

El clasificador Naive Bayes es el clasificador que asigna elementos a una clase función de la maximización de la posterior para la pertenencia a clases, y supone que las características de los elementos son independientes.C P ( C | x )xxxCCCP(C|x)P(C|x)P(C|x) La pérdida 0-1 es la pérdida que asigna a …

13 machine-learning  bayesian  optimization  naive-bayes  loss-functions 

Estoy tratando de calcular el intervalo creíble del 95% de la siguiente distribución posterior. No pude encontrar la función en R para ello, pero ¿es correcto el siguiente enfoque? x <- seq(0.4,12,0.4) px <- c(0,0, 0, 0, 0, 0, 0.0002, 0.0037, 0.018, 0.06, 0.22 ,0.43, 0.64,0.7579, 0.7870, 0.72, 0.555, 0.37, …

13 bayesian  descriptive-statistics  credible-interval 

Soy bastante nuevo en el campo de los procesos gaussianos y cómo se están aplicando en el aprendizaje automático. Sigo leyendo y escuchando sobre las funciones de covarianza que son la atracción principal de estos métodos. Entonces, ¿alguien podría explicar de manera intuitiva lo que está sucediendo en estas funciones …

13 machine-learning  probability  bayesian 

Estoy reproduciendo desde cero los resultados en la Sección 4.2.1 de Probabilidad marginal de la salida de Gibbs Siddhartha Chib Revista de la Asociación Americana de Estadística, vol. 90, núm. 432. (diciembre de 1995), págs. 1313-1321. Es una mezcla de modelos normales con el número conocido de componentes. k≥1k≥1k\geq 1f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σ2j).(∗)f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σj2).(∗) …

13 bayesian  mixture  gibbs 

Actualmente estoy leyendo el excelente libro de Kruschke "Doing Bayesian Data Analysis". Sin embargo, el capítulo sobre regresión logística jerárquica (Capítulo 20) es algo confuso. La figura 20.2 describe una regresión logística jerárquica donde el parámetro de Bernoulli se define como la función lineal en los coeficientes transformados a través …

13 regression  bayesian  logistic  multilevel-analysis