貝氏估計與winbugs在社會科學的應用-資料下載頁
2025-07-21 12:43本頁面
【正文】 得出的 posterior也會是同一家族，可簡化貝氏分析 Prior Likelihood Posterior normal normal normal gamma normal(precision) gamma beta binomial beta exponential possion exponential MCMC ? Markovchain Monte Carlo ? 利用 Markovchain可以先解決較簡單的條件機率問題，構成更複雜的機率問題。 ? Monte Carlo 則讓我們從特定分佈中不斷抽樣、儲存、進行參數(shù)估計 Gibbs sampler ? 高階的聯(lián)合機率可以化為低階的條件機率 ? p(x,y,z)=p(x|y,z)p(y|z)p(z) Gibbs sampler ? 假設有兩個參數(shù) θ1， θ2 ? 先從 θt12, data抽樣出 θt1 。 g(θ1 | θt12, data) ? 再從 θt1, data抽樣出 θt2 。 g(θ2 | θt1, data) ? 當 t趨近無限大時，每一對 θt1， θt2可視為來自於 π(θt1, θ2 | data)的樣本 ?WinBUGS的方法
環(huán)評公示相關推薦
鄂ICP備17016276號-1