The Significance of Prior Information in Bayesian Parametric Survival Models

• Autorzy: Wioletta Grzenda

Warianty tytułu

Znaczenie informacji a priori w bayesowskich parametrycznych modelach przeżycia

• Języki publikacji: EN

Abstrakty

EN

The Bayesian approach gives the possibility of using in the research additional information that is external to the sample. The primary objective of this paper is to analyse the impact of the prior information on the posterior distribution in Bayesian parametric survival models. In this work the exponential models and Weibull models with different prior distributions have been estimated and compared. The aim of this research is to investigate the determinants of unemployment duration. The models have been estimated using Markov chain Monte Carlo method with Gibbs sampling. (original abstract)

W pracy przedstawiono parametryczne modele przeżycia w ujęciu bayesowskim. Podejście bayesowskie wymaga zadania rozkładów a priori dla szacowanych parametrów modelu. Rozkład a priori parametru jest rozkładem prawdopodobieństwa, który wyraża całą wiedzę badacza o szacowanym parametrze przed sprawdzeniem aktualnych danych. W literaturze przedmiotu często spotyka się nieinformacyjne rozkłady a priori, które wyrażają brak wstępnej wiedzy badacza o szacowanych parametrach modelu. W celu pokazania znaczenia informacji a priori oraz jej wpływu na rozkład a posteriori oszacowano kilka parametrycznych modeli przeżycia przy różnych rozkładach a priori. Przedmiot badań stanowią determinanty długości czasu pozostawania bez pracy. (abstrakt oryginalny)

Słowa kluczowe

EN

Bayesian inference; Unemployment; Probability distributions; Bayesian estimation

PL

Wnioskowanie bayesowskie; Bezrobocie; Rozkład prawdopodobieństwa; Estymacja bayesowska

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2013
• Tom: 285 Multivariate Statistical Analysis Theory and Practice
• Strony: 31--38

Twórcy

autor

Wioletta Grzenda

• Warsaw School of Economics, Poland

Bibliografia

• Blossfeld H.P., Rohwer G. (1995), Techniques of event history modeling, New approaches to causal analysis, Hillsdale, NJ: L. Erlbaum.
• Casella G., George E.I. (1992), Explaining the Gibbs sampler, The American Statistician, 46, 167-74.
• Drobnic S., Frątczak E. (2001), Employment patterns of married women in Poland, Careers of couples in contemporary society, New York.
• Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian data analysis, Chapman & Hall/CRC, London.
• Geweke J. (1992), Evaluating the accuracy of sampling-based approaches to calculating posterior moments. In Bernardo J., Berger J., Dawiv A., Smith A., Bayesian Statistics, 4, 169-193.
• Grzenda W. (2011), Bayesian exponential survival model in analysis of unemployment duration determinants, Acta Universitatis Lodziensis, Folia Oeconomica, (Przyjęte do publikacji).
• Ibrahim J.G., Chen M-H, Sinha D. (2001), Bayesian survival analysis, Springer-Verlag, New York.
• Kim S.W., Ibrahim J.G. (2000), On Bayesian Inference for Parametric Proportional Hazards Models Using Noninformative Priors, Lifetime Data Analysis, 6, 331-341.
• Silvey S. D. (1978), Wnioskowanie statystyczne, PWN, Warszawa.
• Szreder M. (1994), Informacje a priori w klasycznej i bayesowskiej estymacji modeli regresji, Uniwersytet Gdański, Gdańsk.