MCMC tabanlı regresyon modellerinde rezidüel teşhis


21

Geçenlerde bir MCMC algoritması (gerçekte R'de MCMCglmm işlevini kullanarak) kullanarak Bayesian çerçevesindeki regresyon karma modellerini yerleştirmeye başladım.

Tahmin sürecinin yakınlaşmasının nasıl teşhis edildiğini anladığımı düşünüyorum (iz, büyü parsel, otokorelasyon, arka dağılım ...).

Bayesian çerçevesinde beni vuran şeylerden biri de bu teşhisi yapmak için çok çaba sarfedilmiş gibi görünmekle birlikte, takılı modelin kalıntılarını kontrol etmek için çok az şey yapıldığı görülüyor. Örneğin, MCMCglmm'de artık.mcmc () işlevi var, ancak gerçekte henüz uygulanmadı (örneğin, sonuç: "MCMCglmm nesneleri için henüz uygulanmamış artıklar"; predict.mcmc () için aynı hikaye). Diğer paketlerden de yoksun görünüyor ve daha genel olarak bulduğum literatürde çok az tartışılıyor (DIC dışında da oldukça yoğun bir şekilde tartışılıyor).

Biri beni bazı faydalı referanslara ve ideal olarak oynayabileceğim veya değiştirebileceğim R koduna işaret edebilir mi?

Çok teşekkürler.


Harika soru Gerçekten Andrew Gelman en gibi kağıt Bayes model kontrolü hakkında Cosma Shalizi ile.
David J. Harris

Yanıtlar:


7

Artık terimin kullanımının Bayesian regresyonu ile tutarlı olmadığını düşünüyorum. Sık sık olasılık modellerinde, sabit tahmin edilebilir büyüklükler olarak kabul edilen parametreler olduğunu ve veri oluşturma mekanizmasının gözlemlenen verilerle ilgili bazı rastgele olasılık modeline sahip olduğunu unutmayın. Bayesliler için, olasılık modellerinin parametreleri değişken olarak kabul edilir ve sabit veriler bu parametrelerin ne olduğuna dair inancımızı günceller. Eğer varyansını hesaplıyormuş Bu nedenle, gözlemlenen eksi donatılmış bir regresyon modelinde değerleri gözlenenbileşen 0 varyansa sahipken, takılan bileşen model parametreleri için posterior olasılık yoğunluğunun bir fonksiyonu olarak değişecektir. Bu, frekansçı regresyon modelinden elde edeceğiniz şeyin tam tersidir. Birisinin Bayesian regresyon modelinin olasılık varsayımlarını kontrol etmekle ilgilenmesi durumunda, normal bir dağılıma karşı parametre tahminlerinin arka yoğunluğunun basit bir QQplot (MCMC örneklememizden hesaplanan) kalıntının analizine benzer tanısal güce sahip olacağını düşünüyorum. doğrusal olmayan bağlantı işlevleri için).


1
Bu iyi bir cevap. Gözlenen eksi olarak yerleştirilmiş kalıntıdan hesaplanan faydalı Bayes yapıları veren cevaplar olabilir, ancak bu kesinlikle düşürülmemeliydi.
ely

3
Ayrıca, Bayesian ayarlarında gerçekten "uygun" değerlere sahip olmadığınızı açıklığa kavuşturmak faydalı olabilir. Belirli bir gözlenen girdi için posterior ortalamayı hesaplayabilir, bu girişteki hedef değişkenin beklenen değerinin maksimum posteriori tahminini elde edebilirsiniz. Ancak bu, Bayesian çıkarımı yapıyorsanız, genellikle istenen olmayan tahminleri göstermek için her şeyi azaltacaktır.
ely

2
@EMS bunlardan herhangi biri anlamlı kalıntılardır. Sadece birinin bir Bayesian olması, varsayımların verilere yansıtılıp yansıtılmadığını kontrol edemediği anlamına gelmez.
Glen_b -Reinstate Monica

1
Sıklık ayarındaki kesin olasılıksal çıkarım (yerinde normallik varsayımları) için, "artıklar", çalışma deneyinin kopyalarında, koşullu olarak "uygun değerden" (veya koşullu ortalamadan) bağımsız olacaktır. Bayes dünyasında, veriler rastgele değildir, peki şartlı olarak neyden bağımsız olurdu?
AdamO

1
E[Y|X]XY
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.