Hadi , burada tekdüze bir işlevidir ve tersi olmasına izin verir , böylece . Jeffrey'in önceki dağıtımını iki şekilde elde edebiliriz:ϕ = g( θ )gθhgθ = s ( ϕ )pJ( ϕ )
- Binom modeliyle başlayın (1)
ile model reparameterize elde etmek için
ve bu model için Jeffrey'in önceki dağıtımını edinin .
p ( y| θ)= (ny)θy( 1 - θ)n - y
ϕ = g( θ )p ( y| ϕ)= (ny) h(ϕ)y( 1 - sa ( ϕ ))n - y
pJ( ϕ )
- Jeffrey'in önceki dağıtımını orijinal Binom model 1'den alın vepJ( θ )φ
pJ( ϕ ) =pJ( sa ( ϕ ) ) |dhdφ| .
Yeniden parametrelendirmeye değişmez olmak , her iki şekilde türetilmiş yoğunluklarının aynı olması gerektiği anlamına gelir. Jeffrey'in önceliği bu özelliğe sahiptir [Referans: Bayes İstatistiki Yöntemlerinde İlk Ders P. Hoff .]pJ( ϕ )
Yorumunuzu cevaplamak için. Jeffrey'in önceki dağıtımını Binom modeli
Fisher bilgisini olasılığının logaritmasını alarak ve
ve Fisher bilgileri
pJ( θ )p ( y| θ)= (ny)θy( 1 - θ)n - y
ll
l : = günlük( p ( y| θ))∂l∂θ∂2l∂θ2∝ ygünlük(θ)+(n−y)log(1−θ)=yθ−n−y1−θ=−yθ2−n−y(1−θ)2
I(θ)=−E(∂2l∂θ2|θ)=nθθ2+n−nθ(1−θ)2=nθ(1−θ)∝θ−1(1−θ)−1.
Bu model için Jeffrey'in
, .pJ(θ)=I(θ)−−−−√∝θ−1/2(1−θ)−1/2
beta(1/2,1/2)