The Significance of Prior Information in Bayesian Parametric Survival Models Znaczenie informacji a priori w bayesowskich parametrycznych modelach przeżycia
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.
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.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00