Jeffreys Prior para distribución normal con media y varianza desconocidas

Estoy leyendo sobre distribuciones anteriores y calculé Jeffreys antes para una muestra de variables aleatorias normalmente distribuidas con media y varianza desconocidas. Según mis cálculos, lo siguiente vale para Jeffreys antes: Aquí,es la matriz de información de Fisher.

p (μ, σ^{2}) = \sqrt{d e t (I)} = \sqrt{d e t (\begin{matrix} 1 / σ^{2} & 0 \\ 0 & 1 / (2 σ^{4}) \end{matrix})} = \sqrt{\frac{1}{2 σ^{6}}} \propto \frac{1}{σ^{3}} .

$p(\mu,\sigma^2)=\sqrt{det(I)}=\sqrt{det\begin{pmatrix}1/\sigma^2 & 0 \\ 0 & 1/(2\sigma^4)\end{pmatrix}}=\sqrt{\frac{1}{2\sigma^6}}\propto\frac{1}{\sigma^3}.$

I

$I$

Sin embargo, también he leído publicaciones y documentos que indican

ver Sección 2.2 enKass y Wassermann (1996). $p(\mu,\sigma^2)\propto 1/\sigma^2$
ver página 25 enYang y Berger (1998) $p(\mu,\sigma^2)\propto 1/\sigma^4$

como Jeffreys antes para el caso de una distribución normal con media y varianza desconocidas. ¿Cuál es el "actual" Jeffreys anterior?

bayesian normal-distribution prior jeffreys-prior Nussig
fuente

Respuestas:

Creo que la discrepancia se explica por si los autores consideran la densidad sobre o la densidad sobre . Apoyando esta interpretación, lo que Kass y Wassermann escriben exactamente es mientras que Yang y Berger escriben $\sigma$ $\sigma^2$

π (μ, σ) = 1 / σ^{2},

$\pi(\mu, \sigma) = 1 / \sigma^2,$

π (μ, σ^{2}) = 1 / σ^{4} .

$\pi(\mu, \sigma^2) = 1 / \sigma^4.$

A. Donda
fuente

Gracias, pasé por alto esto. Sin embargo, esto todavía no explica la discrepancia entre

1 / σ^{3}

$1/\sigma^3$

1 / σ^{4}

$1/\sigma^4$

Nussig

En realidad, tener un previo de

es lo mismo que tener un anterior

, debido a la propiedad de reparametrización de Jeffreys anterior:

π (μ, σ) = 1 / σ^{2}

$\pi(\mu, \sigma)=1/\sigma^2$

π (μ, σ^{2}) = 1 / σ^{3}

$\pi(\mu, \sigma^2)=1/\sigma^3$

con

la matriz jacobiana de

, es decir,

π (μ, σ) = π (μ, σ^{2}) d e t (J_{f}) \propto \frac{1}{σ^{3}} 2 σ \propto \frac{1}{σ^{2}}

$\pi(\mu, \sigma)=\pi(\mu, \sigma^2)det(J_f)\propto \frac{1}{\sigma^3}2\sigma \propto \frac{1}{\sigma^2}$

J_{f}

$J_f$

f : (μ, σ) \to (μ, σ^{2})

$f: (\mu, \sigma)\to (\mu, \sigma^2)$

J_{f} = (\begin{matrix} 1 & 0 \\ 0 & 2 σ \end{matrix})

$J_f=\begin{pmatrix}1&0\\0&2\sigma\end{pmatrix}$

Nussig

1 / σ^{3}

$1/\sigma^3$

1 / σ

$1/\sigma$

π (μ, σ) = 1 / σ

$\pi(\mu, \sigma) = 1 / \sigma$

π (μ, σ^{2}) = 1 / σ^{2}

$\pi(\mu, \sigma^2) = 1 / \sigma^2$

π (μ, σ^{2}) = 1 / σ^{4}

$\pi(\mu, \sigma^2) = 1 / \sigma^4$

Jim Berger sigue siendo un científico activo, así que para asegurarse de que puede consultar directamente con él: stat.duke.edu/~berger

A. Donda

$\mu$ $\sigma^2$ $[\mu] \sim m$ $[\sigma^2] \sim m^2$ $\sigma$

π (μ, σ) \sim 1 / σ^{2}

$\pi(\mu, \sigma) \sim 1/\sigma^{2}$

π (μ, σ^{2}) \sim 1 / σ^{3}

$\pi(\mu, \sigma^2) \sim 1/\sigma^{3}$

Dr_Zaszuś
fuente

σ^{3}

$\sigma^{3}$

$\frac{1}{\sigma^3}$ $\frac{1}{\sigma^2}$ $\log(\sigma)$

Jorne Biccler
fuente

\log (σ)

$\log(\sigma)$

χ^{2}

$\chi^2$

(μ, σ^{2}) | D \sim N χ^{- 1} (\bar{X}, n, n, \frac{1}{n} \sum (X_{i} - \bar{X})^{2}) .

$(\mu,\sigma^2)|D \sim \mathcal{N}\chi^{-1}\left(\overline{X}, n,n, \frac{1}{n}\sum(X_i-\overline{X})^2\right).$

1 / σ^{2}

$1/\sigma^2$

χ^{2}

$\chi^2$

χ^{2} (\bar{X}, n, n - 1, s^{2})

$\chi^2(\bar{X},n,n-1,s^2)$

σ^{2}

$\sigma^2$

χ^{2}

$\chi^2$