使用重尾先验分布的 Poisson 与几何模型的 最小消息长度推断
统计方法学
2018-02-13 v3
摘要
最小消息长度是基于信息论的用于模型选择和参数估计的一般贝叶斯原则。本文将最小消息长度原则应用于涉及 Poisson 和几何数据模型的小样本模型选择问题。由于 MML 是一个贝叶斯原则，它要求所有模型参数都具有先验分布。我们为未知模型参数引入了三个候选先验分布，包括轻尾和重尾分布。将 MML 方法的性能与客观贝叶斯推断以及基于归一化极大似然码的最小描述长度技术进行了比较。模拟表明，我们采用重尾先验分布的 MML 方法在所有测试中均表现出色。
引用
@article{arxiv.1708.02742,
title = {Minimum message length inference of the Poisson and geometric models using heavy-tailed prior distributions},
author = {Chi Kuen Wong and Enes Makalic and Daniel F. Schmidt},
journal= {arXiv preprint arXiv:1708.02742},
year = {2018}
}