先驗模型

使用 RJAGS 的貝氏建模

Alicia Johnson

Associate Professor, Macalester College

課程目標

• 探索基礎且可泛化的貝葉斯模型（如：Beta-Binomial、Normal-Normal、Bayesian regression）

• 使用 RJAGS 定義、編譯、模擬 貝葉斯模型

• 以 RJAGS 輸出進行貝葉斯後驗推論

貝葉斯選舉：先驗

貝葉斯選舉：先驗

貝葉斯選舉：先驗

貝葉斯選舉：資料

貝葉斯選舉：後驗

貝葉斯選舉：新資料

貝葉斯選舉：新後驗

貝葉斯選舉：更新的資料

貝葉斯選舉：更新的後驗

貝葉斯思維

貝葉斯後驗模型：

• 結合先驗模型與觀察資料的洞見
• 隨新資料到來而更新

建立先驗模型

• $p$ = 支持你的比例
• $p$ 介於 0 到 1 之間
• $p$ 的先驗模型為 Beta 分配，其形狀參數為 45 與 55

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

調整先驗

一起來練習吧！

使用 RJAGS 的貝氏建模