Warianty tytułu
Bayesian Approach to Model and Varriable Selection
Języki publikacji
Abstrakty
Wybór, a więc identyfikacja postaci analitycznej modelu regresji, jest jednym z istotniejszych problemów analizy danych eksperymentalnych. W ujęciu bayesowskim odbywa się on przy użyciu kryterium prawdopodobieństwa a posteriori prawdziwości modelu. Prawdziwość modelu rozumiana jest jako poprawność identyfikacji mechanizmu generującego dane będące przedmiotem analizy. Mimo że model, według którego generowane są dane, jest zdeterminowany (nie jest losowy), w ujęciu bayesowskim określa się rozkład prawdopodobieństwa na zbiorze rozpatrywanych modeli, wyrażając w ten sposób niepewność badacza względem postaci modelu. Takie podejście pozwala również na uwzględnienie w analizie subiektywnej wiedzy badacza poprzez określenie rozkładu a priori na przestrzeni modeli. Oznacza to, że w ujęciu bayesowskim jako zmienne losowe mogą być traktowane nie tylko parametry modelu regresji, ale również jego postać analityczna.
Praktyczne obliczanie prawdopodobieństw modeli w ujęciu bayesowskim wymusza zwykle zastosowanie metod numerycznych - głównie algorytmów Monte Carlo (np. algorytm Gibbsa). (fragment tekstu)
Praktyczne obliczanie prawdopodobieństw modeli w ujęciu bayesowskim wymusza zwykle zastosowanie metod numerycznych - głównie algorytmów Monte Carlo (np. algorytm Gibbsa). (fragment tekstu)
The paper describes Bayesian approach to statistical model identification and to the problem of variable choice in linear regression model. The model choice bases on the criterion of posterior probability of model reliability which is understood as the accurateness of identification of data generation mechanism. Theoretical basis for this approach have been presented as well as several examples of its application. (original abstract)
Słowa kluczowe
Rocznik
Strony
87--97
Opis fizyczny
Twórcy
autor
- Akademia Ekonomiczna we Wrocławiu
Bibliografia
- Bernardo J.M., Bayesian Theory, John Wiley & Sons, New York 1995.
- Carlin B., Chib S., Bayesian Model Choice via Markov Chain Monte Carlo Methods, "Journal Royal Statistical Society" Series B, 2001 vol. 75 nr 3, s. 473-484.
- Congdon P., Bayesian Statistical Modelling, John Wiley & Sons, New York 2001.
- George E., McCulloch R., Variable Selection via Gibbs Sampling, "Journal American Statistical Association" 1993 vol. 88 nr 423, s. 881-889.
- Koop G., Bayesian Econometrics, John Wiley & Sons, New York 2003.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171562857