通过包含先验和重要性采样对一类分类数据边际模型进行贝叶斯推断
统计理论
2012-02-21 v1 统计理论
摘要
我们开发了一种贝叶斯方法，用于在一类针对分类变量的边际模型中选择最受数据支持的模型，这些模型是通过对广义 logits（局部、全局、延续或反向延续）、广义对数优势比以及类似的高阶交互作用施加等式和/或不等式约束而构建的。对于每个约束模型，模型参数的先验分布是遵循包含先验 (encompassing prior) 方法制定的。然后，通过使用由重要性采样方法估计的 Bayes 因子来执行模型选择。该方法通过涉及某些数据集（其中包括解释变量）的三个应用进行了说明。针对其中一个示例，还考虑了对先验设定的敏感性分析。
引用
@article{arxiv.1202.4074,
title = {Bayesian inference through encompassing priors and importance sampling for a class of marginal models for categorical data},
author = {Francesco Bartolucci and Luisa Scaccia and Alessio Farcomeni},
journal= {arXiv preprint arXiv:1202.4074},
year = {2012}
}