Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "informative prior" wg kryterium: Wszystkie pola


Wyświetlanie 1-3 z 3
Tytuł:
Investigation of half-normal model using informative priors under Bayesian structure
Autorzy:
Khawar Kiani, Sania
Aslam, Muhammad
Bhatti, M. Ishaq
Powiązania:
https://bibliotekanauki.pl/articles/18105212.pdf
Data publikacji:
2023-09-08
Wydawca:
Główny Urząd Statystyczny
Tematy:
informative prior
squared root inverted gamma distribution (SRIG)
Bayesian hypothesis testing
loss functions
Opis:
This paper considers properties of half-normal distribution using informative priors under the Bayesian criterion. It employs the squared root inverted gamma, Chi-square and Rayleigh distributions as the prior distribution to construct the Posterior distributions of the respective distributional parameters. Hyperparameters are elicited via prior predictive distribution. The properties of posterior distribution are studied, and their graphs are presented using a real data set. A comprehensive simulation scheme is conducted using informative priors. Bayes estimates are obtained using the loss functions (squared error loss function, modified loss function, quadratic loss function and Degroot loss function). Statistical inferences interval estimates and Bayesian hypothesis testing are presented to demonstrate the usefulness of the study.
Źródło:
Statistics in Transition new series; 2023, 24, 4; 19-36
1234-7655
Pojawia się w:
Statistics in Transition new series
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Spatial and temporal aspects of prior and likelihood data choices for Bayesian models in road traffic safety analyses
Przestrzenny i czasowy aspekt wyboru rozkładów apriorycznych i danych dla funkcji wiarygodności dla modeli bayesowskich w analizach bezpieczeństwa ruchu drogowego
Autorzy:
Nowakowska, M.
Powiązania:
https://bibliotekanauki.pl/articles/1365610.pdf
Data publikacji:
2017
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
Bayesian regression model
informative prior distributions for model parameters
likelihood data
statistical classifier
road accident severity
road accident features
model regresji bayesowskiej
informatywne rozkłady aprioryczne parametrów modelu
wiarygodność bayesowska
klasyfikator statystyczny
status wypadku drogowego
cechy wypadku drogowego
Opis:
In a Bayesian regression model, parameters are not constants, but random variables described by some posterior distributions. In order to define such a distribution, two pieces of information are combined: (1) a prior distribution that represents previous knowledge about a model parameter and (2) a likelihood function that updates prior knowledge. Both elements are analysed in terms of implementing the Bayesian approach in road safety analyses. A Bayesian multiple logistic regression model that classifies road accident severity is investigated. Three groups of input variables have been considered in the model: accident location characteristics, at fault driver’s features and accident attributes. Since road accidents are scattered in space and time, two aspects of information source choices in the Bayesian modelling procedure are proposed and discussed: spatial and temporal ones. In both aspects, priors are based on selected data that generate background knowledge about model parameters – thus, prior knowledge has an informative property. Bayesian likelihoods which modify priors are data that deliver: (1) information specific to a road – in the spatial aspect or (2) the latest information – in the temporal aspect. The research experiments were conducted to illustrate the approach and some conclusions have been drawn.
Parametry bayesowskiego modelu regresji nie są wartościami stałymi tylko zmiennymi losowymi opisanymi przez pewne rozkłady aposterioryczne. W celu zdefiniowania takiego rozkładu łączy się dwa źródła informacji: (1) rozkład aprioryczny, który reprezentuje wcześniejszą wiedzę o parametrze modelu oraz (2) funkcję wiarygodności (wiarygodność bayesowską), która uaktualnia wiedzę a’priori. Oba te elementy są przedmiotem badań w kontekście wykorzystania podejścia bayesowskiego w analizach bezpieczeństwa ruchu drogowego. Badaniom podlega model wielokrotnej regresji logistycznej, który klasyfikuje status zdarzenia drogowego. W modelu uwzględniono trzy grupy zmiennych objaśniających: charakterystyki miejsca lokalizacji wypadku, cechy kierującego sprawcy oraz atrybuty wypadku. Ponieważ wypadki drogowe są rozproszone w czasie i przestrzeni, zaproponowano i poddano dyskusji dwa aspekty wyboru źródeł informacji w procedurze modelowania bayesowskiego: czasowy i przestrzenny. W obu podejściach rozkłady aprioryczne są definiowane na podstawie danych wybranych jako te, które generują uogólnioną wiedzę o parametrach modelu, tworząc tło podlegające modyfikacji – w ten sposób wiedza aprioryczna ma cechę informatywności. Wiarygodność bayesowska, modyfikująca rozkłady a’priori, jest definiowana za pomocą danych wprowadzających: (1) informację specyficzną dla wybranej drogi – w przypadku aspektu przestrzennego lub (2) informację najnowszą – w przypadku aspektu czasowego. Zaproponowane podejście zilustrowano w eksperymentach badawczych i przedstawiono wynikające z nich wnioski.
Źródło:
Eksploatacja i Niezawodność; 2017, 19, 1; 68-75
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Bayesian estimation of a geometric distribution using informative priors based on a Type-I censoring scheme
Autorzy:
Akhtar, Nadeem
Khan, Sajjad Ahamad
Amin, Muhammad
Khan, Akbar Ali
Ali, Amjad
Manzoor, Sadaf
Powiązania:
https://bibliotekanauki.pl/articles/20311948.pdf
Data publikacji:
2023-06-13
Wydawca:
Główny Urząd Statystyczny
Tematy:
prior distribution
posterior distribution
geometric distribution
beta distribution
Kumraswamy distribution
Opis:
In this paper, the geometric distribution parameter is estimated under a type-I censoring scheme by means of the Bayesian estimation approach. The Beta and Kumaraswamy informative priors, as well as five loss functions are used for this purpose. Expressions of Bayes estimators and Bayes risks are derived under the Squared Error Loss Function (SELF), the Quadratic Loss Function (QLF), the Precautionary Loss Function (PLF), the Simple Asymmetric Precautionary Loss Function (SAPLF), and the DeGroot Loss Function (DLF) using the two aforementioned priors. The prior densities are obtained through prior predictive distributions. Simulation studies are carried out to make comparisons using Bayes risks. Finally, a real-life data example is used to verify the model’s efficiency.
Źródło:
Statistics in Transition new series; 2023, 24, 3; 257-263
1234-7655
Pojawia się w:
Statistics in Transition new series
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    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