کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6870410 | 681394 | 2014 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Computation of marginal likelihoods with data-dependent support for latent variables
ترجمه فارسی عنوان
محاسبه احتمال حاشیه با پشتیبانی وابسته به داده ها برای متغیرهای پنهان
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
نمونه گیری اهمیت آنیل، متغیرهای نامرئی، نمونه برداری اهمیت احتمال عدالت، قدرت خلفی، داده های تعداد فضایی،
ترجمه چکیده
چند روش مونت کارلو برای محاسبه احتمالهای حاشیه ای در تحلیل های بیزی پیشنهاد شده است. بعضی از این موارد شامل نمونه برداری از یک توالی از توزیع متوسط بین قبل و خلفی است. اگر پشتیبانی در توزیع خلفی یک زیر مجموعه مناسب از آن در توزیع قبلی باشد، دشواری ایجاد می شود. این می تواند در مشکلات مربوط به متغیرهای پنهان وجود داشته باشد که حمایت آنها بستگی به داده ها دارد و می تواند بعضی از روش ها ناکارآمد باشد و دیگران ناموفق باشند. اصلاح مورد نیاز برای مدل های این نوع مشتق شده است و استفاده از آن با پیدا کردن احتمال حاشیه در دو نمونه نشان داده شده است. یکی از مدل هایی برای ریسک های رقابتی است. یکی دیگر از مدل پواسون با پهنای پراکنده برای تعداد شمعها با استفاده از متغیرهای گاوسی پنهان برای جذب وابستگی فضایی است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Several Monte Carlo methods have been proposed for computing marginal likelihoods in Bayesian analyses. Some of these involve sampling from a sequence of intermediate distributions between the prior and posterior. A difficulty arises if the support in the posterior distribution is a proper subset of that in the prior distribution. This can happen in problems involving latent variables whose support depends upon the data and can make some methods inefficient and others invalid. The correction required for models of this type is derived and its use is illustrated by finding the marginal likelihoods in two examples. One concerns a model for competing risks. The other involves a zero-inflated over-dispersed Poisson model for counts of centipedes, using latent Gaussian variables to capture spatial dependence.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 392-401
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 392-401
نویسندگان
Sarah E. Heaps, Richard J. Boys, Malcolm Farrow,