Stata软件关于贝叶斯统计应用介绍.docVIP

Stata软件贝叶斯统计应用：MCMC和Metropolis–Hastings算法 在这篇文章中，我从非技术层面来介绍一下Markov chain Monte Carlo，通常简称为MCMC。MCMC被广泛应用于贝叶斯统计模型拟合。MCMC有很多不同的方法，这里我将主要介绍Metropolis–Hastings 算法。为了简便起见,我将忽略一些细节，强烈推荐大家在练习使用MCMC之前阅读 HYPERLINK /manuals14/bayesbayesmh.pdf [BAYES] 手册。 我们继续前一篇文章 HYPERLINK /2016/11/01/introduction-to-bayesian-statistics-part-1-the-basic-concepts/ 贝叶斯统计介绍Part 1：基本概念中提到的硬币投掷例子。我们对参数θ的后验分布感兴趣，也就是投掷硬币时，“头”在上面的概率。我们的先验分布是扁平的,无信息Beta分布参数1和1。然后我们将使用二项式似然函数对我们的实验数据进行量化，10次投掷硬币4次“头”朝上的结果。我们可以使用MCMC的M-H算法来生成后验分布θ的样本。然后可以使用这个样本来估算如后验分布的均值等问题。 这种技术有三个基本部分： 1． Monte Carlo 2． Markov chains 3. M–H algorithm Monte C