GLMのベイズモデル化と事後分布の確定：より詳細な理解へ

Published on 2018年1月31日2018年2月1日 by anesth

ベイズモデル化について、理解できた部分と、依然、全体的には「もやー」とした状態。もう少し、丁寧に分析してみよう。ーーーーーーーーーーーーーーーーーーーーーーーーーーデータ解析のための統計モデリング入門：第9章「GLM […]

空間構造のある階層ベイズモデル

Published on 2018年1月30日2018年2月4日 by anesth

確率と情報の科学：データ解析のための統計モデリング入門：久保拓弥、岩波書店第11章空間構造のある階層ベイズモデル ??????????? 場所差の空間相関(spatial correlation)を考慮する統計モデリ […]

Published on 2018年1月30日2018年2月1日 by anesth

確率と情報の科学：データ解析のための統計モデリング入門：久保拓弥、岩波書店第10章階層ベイズモデル　GLMMのベイズモデル化 ??????????? 階層事前分布(hierarchial prior）を使って、一般線形 […]

Published on 2018年1月29日2018年2月3日 by anesth

確率と情報の科学：データ解析のための統計モデリング入門：久保拓弥、岩波書店第9章GLMのベイズモデル化と事後分布の推定 ——————— […]

Published on 2018年1月25日2018年1月25日 by anesth

Bayesian Computation with R 4.2 パラメータが二つとも未知の正規データ > data(marathontimes) > attach(marathontimes) > d = myconto […]

Published on 2018年1月25日2018年1月25日 by anesth

7.5 交換可能性を事前の確信とするモデリング事前分布として、真の死亡率λ1,…,λ94はガンマ分布gamma(α, α/μ)からのランダムな標本だと仮定する。 g(λ|α,μ) λの事前平均と分散は、それ […]

Published on 2018年1月24日2018年1月24日 by anesth

Bayesian Comuputation with R 6.3 メトロポリス-ヘイスティング・アルゴリズム <やっとたどり着いたMCMC法！> 事後密度g(θ|y)からシミュレーションを行う。初期値θ0か […]

Published on 2018年1月23日2018年1月24日 by anesth

5.8 棄却サンプリング棄却サンプリングrejection sampling: 所与の確率分布からランダム標本をシミュレーションする汎用的なアルゴリズム＜棄却サンプリングのステップ＞ pから標本のシミュレーションが容 […]

Published on 2018年1月22日2018年1月23日 by anesth

From Baysean Computation with R 5.2　積分を計算する f(y|θ)からデータyを観測する。ここでθは、パラメータベクトルであり、その事前分布としてg(θ)を割り当てる。 θの事後密度は、 […]

Published on 2018年1月20日2018年1月21日 by anesth

From Bayesian Computation with R 3.2 平均が既知で分散が未知の正規分布平均０で未知分散σ^2の正規分布標本とすると、尤度関数：L(σ^2) ∝ (σ^2)^(-n/2)exp{-Σ […]