Turunkan kepadatan posterior untuk kemungkinan lognormal dan sebelumnya Jeffreys

8

Fungsi likelihood dari distribusi lognormal adalah:

f(x;μ,σ)i1n1σxiexp((lnxiμ)22σ2)

dan Prioritas Jeffreys adalah:

p(μ,σ)1σ2

jadi menggabungkan keduanya memberi:

f(μ,σ2|x)=i1n1σxiexp((lnxiμ)22σ2)σ2

Saya tahu bahwa kepadatan posterior untuk σ2 Gamma terbalik dibagikan, jadi saya harus menghitung

f(σ2|x)=f(μ,σ2|x)dμ

tapi saya tidak tahu harus mulai dari mana di sini.

Setelah komentar Glen_b, saya mencobanya:

f(μ,σ2|x)=i1n1σxiexp((lnxiμ)22σ2)σ2

=σn2i=1n1xiexp(12σ2i=1n(lnxiμ))

tapi saya tidak bisa melihat ini terjadi di mana saja.

Gagasan lain yang saya dapatkan adalah mendefinisikan yi=ln(xi), kemudian yterdistribusi normal. Begitu

f(μ,σ2|y)=[i=1n12π1σexp(12σ2(yiμ)2)]1σ2

σn2exp(12σ2i=1n(yiy¯)2+n(y¯μ)2) =σn2exp(12σ2((n1)s2+n(y¯μ)2)) =σn2exp(12σ2((n1)s2)exp(n(y¯μ)2))

lalu mengintegrasikan:

σn2exp(12σ2((n1)s2)exp(12σ2n(y¯μ)2))dμ

dengan metode yang Anda sarankan saya dapatkan:

exp(12σ2n(y¯μ)2))dμ=2πσ2n

Begitu:

(σ2)(n+1)/2exp(12σ2((n1)s2)

Gamma yang memang terbalik dibagikan.

Tetapi saya tidak yakin apakah ini benar, itu juga hasil yang sama seperti yang saya dapatkan untuk kemungkinan normal.

Saya menemukan ini dalam literatur (tanpa penjelasan lebih lanjut):

masukkan deskripsi gambar di sini

spore234
sumber
Di baris pertama matematika Anda (kemungkinan), jangan jatuhkan σistilah dalam konstanta.
Glen_b -Reinstate Monica
2
Itu Sir Harold Jeffreys, jadi Jeffreys prior, prior Jeffrey dan prior Jeffreys semuanya dapat dipertahankan, tetapi Jeffrey salah. Dia lebih suka bentuk terakhir.
Nick Cox
Sekarang, ketika Anda menggabungkan keduanya, simpan itu σistilah dalam.
Glen_b -Reinstate Monica
Hal yang Anda temukan dalam literatur adalah posterior untuk θ=(μ,σ).
Glen_b -Reinstate Monica

Jawaban:

3

Perhatikan bahwa - dianggap sebagai fungsi dalam μ - Apa yang Anda miliki sebanding dengan kepadatan normal.

Jadi langkah 1 adalah menyelesaikan kotak μ yang ada dalam eksponen, tarik keluar bagian depan integral dari konstanta berlebihan, dan kemudian gandakan istilah dalam integral dengan konstanta yang diperlukan untuk membuatnya berintegrasi ke 1. Kemudian bagi di depan integral dengan konstanta yang sama (sehingga Anda jangan ubah nilai ekspresi keseluruhan).

Karena Anda memiliki kepadatan di bagian integral, ganti istilah di bagian integral dengan 1.

Anda memiliki fungsi σ (salah satu yang secara resmi diganti μ dengan sesuatu yang mirip dengan perkiraan itu).

Sekarang lihat kepadatan untuk gamma terbalik di sini :

f(x;α,β)=βαΓ(α)xα1exp(βx)

(dalam hal ini, menggunakan parameterisasi bentuk-skala).

Dengan asumsi Anda memiliki yang benar sebelumnya (saya belum memeriksa itu) -

Anda mencari kepadatan posterior σ2. Perhatikan bahwa fungsi Anda setelah integrasi dapat ditulis dalam formulirc(σ2)somethingexp(something-else/σ2).

Jadi Anda memiliki ekspresi yang sebanding dengan kepadatan gamma terbalik di σ2. (Karena itu harus kepadatan, berikan konstanta yang diperlukan yang diperlukan untuk membuatnya berintegrasi ke 1.)

Glen_b -Reinstate Monica
sumber
Anda tidak benar-benar perlu berubah ln(x) untuk y. Ini mengamati data sehingga itu hanya konstanta. Nyaμitu variabelnya. Anda menyelesaikan alun-alun. Perhatikan bahwa ada istilah dalamμ dan satu tidak masuk μ. Langkah selanjutnya dari tempat Anda berada sudah ada dalam jawaban saya.
Glen_b -Reinstate Monica
Saya memperbarui posting saya lagi (saya menjaga y untuk kesederhanaan)
spore234
bagaimana cara mendapatkan hasilnya dalam literatur?
spore234
Melalui pendekatan yang hampir sama seperti di atas, tetapi Anda tidak berintegrasi μkeluar, Anda cukup mencabut persyaratan.
Glen_b -Reinstate Monica