- Tytuł:
-
The Significance of Prior Information in Bayesian Parametric Survival Models
Znaczenie informacji a priori w bayesowskich parametrycznych modelach przeżycia - Autorzy:
- Grzenda, Wioletta
- Powiązania:
- https://bibliotekanauki.pl/articles/905774.pdf
- Data publikacji:
- 2013
- Wydawca:
- Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
- Tematy:
-
survival parametric models
Bayesian inference
prior distribution
MCMC method
unemployment - Opis:
-
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. - Źródło:
-
Acta Universitatis Lodziensis. Folia Oeconomica; 2013, 285
0208-6018
2353-7663 - Pojawia się w:
- Acta Universitatis Lodziensis. Folia Oeconomica
- Dostawca treści:
- Biblioteka Nauki
Artykuł