中心化划分过程：用于聚类的信息性先验
统计方法学
2021-02-02 v1 应用统计
摘要
从划分上的先验概率分布出发提出聚类贝叶斯方法的文献十分丰富。多数方法假设可交换性，从而可用可交换划分概率函数（EPPF）进行简单表示。吉布斯型先验涵盖了此类情况的广泛类别，包括狄利克雷过程和 Pitman-Yor 过程。尽管已有一些放宽可交换性假设、允许协变量依赖和部分可交换性的提议，但关于如何纳入关于划分的具体先验知识考虑有限。例如，我们的动机来自一项流行病学应用，其中希望将出生缺陷聚类为若干组，且拥有专家提供的初始聚类先验知识。作为纳入此类先验知识的通用方法，我们提出中心化划分（CP）过程，其修改 EPPF 以偏好接近初始划分的划分。描述了 CP 先验的一些性质，开发了用于后验计算的通用算法，并通过模拟示例及在动机性出生缺陷流行病学研究中的应用说明了该方法。
引用
@article{arxiv.1901.10225,
title = {Centered Partition Process: Informative Priors for Clustering},
author = {Sally Paganin and Amy H. Herring and Andrew F. Olshan and David B. Dunson},
journal= {arXiv preprint arXiv:1901.10225},
year = {2021}
}