Model a priori

Modelowanie bayesowskie z RJAGS

Alicia Johnson

Associate Professor, Macalester College

Cele kursu

Poznanie podstawowych, ogólnych modeli bayesowskich (np. Beta-Dwumianowy, Normalny-Normalny, regresja bayesowska)
Definiowanie, kompilowanie i symulowanie modeli bayesowskich za pomocą RJAGS
Wnioskowanie bayesowskie a posteriori na podstawie wyników RJAGS

Bayesowskie wybory: A priori

Bayesowskie wybory: A priori

Bayesowskie wybory: A priori

Bayesowskie wybory: Dane

Bayesowskie wybory: Posterior

Bayesowskie wybory: Nowe dane

Bayesowskie wybory: Nowy posterior

Bayesowskie wybory: Nowsze dane

Bayesowskie wybory: Nowszy posterior

Myślenie bayesowskie

Bayesowski model a posteriori:

Łączy informacje z modelu a priori i obserwowanych danych
Ewoluuje wraz z napływem nowych danych

Budowanie modelu a priori

$p$ = odsetek popierających kandydata
$p$ jest z przedziału od 0 do 1
Model a priori dla $p$ to rozkład Beta z parametrami kształtu 45 i 55

$$p \sim \text{Beta}(45, 55)$$

Dostrajanie modelu a priori

Czas na ćwiczenia!

Modelowanie bayesowskie z RJAGS

Preparing Video For Download...