贝氏估计与WiBUGS在社会科学的应用.pptVIP

貝氏估計與WinBUGS 在社會科學的應用 蔡佳泓 政大選舉研究中心 貝氏定理基礎 根據機率的定義，聯合機率是條件機率與邊際機率之乘積 Pr(θ, y)=Pr(θ)Pr(y|θ) 故Pr(θ|y)=Pr(θ, y)/Pr(y) =Pr(θ)Pr(y|θ)/Pr(y) 因為Pr(y)可視為常數，故 Pr(θ|y)=Pr(θ)Pr(y|θ) 例子 假設N個選民之中投給歐巴馬的比例為y，N-y投給麥侃，y為一種二元分布 y~(N/y) θy(1- θ)N-y ?Pr(y| θ) 因為Beta分布介於0與1之間，所以是對於二元分布而言是一個合適的先驗資訊Pr(θ) 假設我們的調查資料顯示400個受訪者中有240人投歐巴馬，那麼資料顯示的參數為(240, 160) ，樣本平均值θ為0.6 我們若假設有五成會投歐巴馬，那麼參數為(50, 50) 根據Beta分布，參數為αp+y以及βp+N-y，也就是(290, 210)樣本平均值為αp+y/(αp+y +βp+N-y) = 0.58 R的模擬 R的模擬—4000個樣本 貝氏定理延伸 給定觀察到的資料，研究者對於參數的推論來自於一個先驗的資訊乘上一個概似值 π(θ|data)= π(θ)* f(data| θ) 而π(θ)有可能等於常數， 故π(θ|data)= f(data| θ) 概