Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Bayes factor

Sortuj według:

Ogranicz wyniki do:

A reverse to the Jeffreys-Lindley paradox

Pestman W. R., Tuerlinckx F., Vanpaemel W.

Probability and Mathematical Statistics

2018

Vol. 38, Fasc. 1

243--247

In this paper the seminal Jeffreys-Lindley paradox is regarded from a mathematical point of view.We show that in certain scen arios the paradox may emerge in a reverse direction.

Rozkład a priori w czynniku bayesowskim a wybór modelu klas ukrytych

Kapłon R.

Badania Operacyjne i Decyzje

2009

nr 3

88-94

Na etapie wyboru liczby segmentów w analizie klas ukrytych kryteria informacyjne są często stosowane. Szczególne miejsce zajmuje tutaj kryterium bayesowskie BIC, które można wyprowadzić – dokonując pewnych uproszczeń – z koncepcji czynnika bayesowskiego. W czynniku tym pojawia się rozkład a priori parametrów, którego nie ma w BIC. Z tego względu w pracy podjęto próbę znalezienia takiego rozkładu a priori, aby skuteczność tak powstałego kryterium była większa niż skuteczność BIC.

Estimating the values of parameters in latent class analysis, one needs to know the number of clusters in advance. It is crucial to determine a criterion which enables confirmation of the superiority of one number of classes over the others. A statistical approach, which is based on a likelihood ratio test (LRT), contends with the difficulties of assessing the null distribution of LRT statistics. As a remedy, information criteria like the Bayesian information criterion (BIC) can be used. This criterion is an approximation of a Bayes factor that depends on the prior distribution. Apparently, if one combines BIC and a suitable prior, the effectiveness of such a criterion increases in comparison to the standard BIC. In this article we propose such a prior distribution. In order to do this, a simulation study is carried out and the data collected enable the construction of a nonlinear regression model. The number of classes and the values of the required parameter are chosen as the predictor and the dependent variable, respectively. Such an approach enables the estimation of the values of the parameters a priori given the number of clusters. The performance of the new criterion is better than the Bayesian information criterion by up to 58%.