担当が終了した講義の資料は基本的に更新していません。 資料作成当時の理解に誤りがあったり,時代によってスタンダードが変わっていたりする可能性があるので,ご利用は自己責任にてお願い致します。 近い内容の講義を新たに担当した場合は,最新のもののみ公開しています。 (間違いを見つけられた方は,こっそりご連絡いただけると幸いです。)
担当が終了した講義の資料は基本的に更新していません。 資料作成当時の理解に誤りがあったり,時代によってスタンダードが変わっていたりする可能性があるので,ご利用は自己責任にてお願い致します。 近い内容の講義を新たに担当した場合は,最新のもののみ公開しています。 (間違いを見つけられた方は,こっそりご連絡いただけると幸いです。)
今回の記事は、ちょっとある噂を耳にしたのでそれに関する検証をしようかと思います。 「識別条件を満たさないモデルでもベイズだと(どういう意味合かはわからないが)解釈出来るらしい」 という話を耳にしまして。 ちょっとどういう意味合いで解釈できるのか、どういう意味で妥当なのかを聞きそびれたので、今回はそれを検証してみようかと思います。 (そもそも個人的には、本当かどうかも疑わしい気がしてるのですが...どうなのでしょうか。) 識別条件 まず、一般的に統計モデルには識別条件というものがあって、 要はこの条件を満たさないモデルのパラメータはまともに推定することも、理論上解釈することも出来ないというお話です。 例えば、次のような線形モデルを考えたとします。 とがパラメータです。 普通の線形モデルだと下のような形をしているわけですが 今回はとがふたつ掛けてあります。 このモデルは識別条件を満たさないモデ
先日、広島ベイズ塾の春合宿がありました。 そこで発表した、「階層ベイズと自由エネルギー」の資料をアップしました。 自由エネルギーというのは、負の対数周辺尤度のことで、ベイズファクターの計算で使う周辺尤度を対数とって‐1をかけたものです。 スライド内容を要約すると、 1.モデル評価には2種類ある。AICとBICは見てるところが違うよ。 2.階層ベイズではWAICはどういう予測をするかで値が変わるが、自由エネルギーは変わらないよ。 3.心理学では自由エネルギーのほうが知りたい値かもしれないね。 の3点です。 2年ぐらい前に、HijiyamaRで階層ベイズとWAICについて発表したものがありますが、それの続きになります。 ただ、内容的には松浦健太郎さんのブログ記事、「階層ベイズモデルとWAIC」のほうが断然わかりやすいので、こちらを先に見てもらったほうがいいかもしれません。一応、上のスライドだけ
はじめに(なぜこれを選んだか) サンプリングは積分計算が難しい状況で採用される手法の一つですが、自分は昔からサンプリング系の手法がイマイチ理解できていません(例えばPRML§11とかよく分からない ┐(´ー`)┌ )。しかし、最近たまにサンプリング系の手法を使っている論文を読むことがあるので、基本的なところから勉強しておくことにしました。 最近社畜業務で電車で揺られながら 基礎からのベイズ統計学 ハミルトニアンモンテカルロ法による実践的入門 という本を読んでいたので、4章・5章で出てくるM-HサンプリングとHMC法をまとめたいと思います。中身はほぼ本の例題通りです。本当は付録BあたりまでやってスライスサンプリングとNUTSまで行きたかったですが、仕事が爆発して時間が足りませんでした(後で追加でやっておくつもりです)。 あと以下のコードは整理したらgithubかbitbucketにでも上げて
#2016.01.07現在,Rpubsが不調なため(?),こちらにアップします。 #2016.01.22 Rpubsが復旧したので,そちらにリンクを貼るようにします。なお,前に載せてあった記事にはstanコードにバグがありましたので,修正しました。 Lesson10. Bayesian Modeling 2 http://rpubs.com/kosugitti/145116
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く