我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们介绍了一种新的贝叶斯方法,用于图形对数线性边际模型的定量学习。这些模型属于曲线指数族,从贝叶斯的角度来看很难处理。这种可能性不能用边际对数线性相互作用的函数来表示,而只能用细胞计数或概率来表示。后验分布不能直接得到,需要马尔可夫链蒙特卡罗(MCMC)方法。最后,一个定义明确的模型需要能够产生兼容边际概率的参数值。因此,任何MCMC都应该考虑到这一重要限制。我们为处理这些问题的模型构建了一个全自动、高效的MCMC定量学习策略。虽然先验是用边际对数线性相互作用表示的,但我们构建了一个MCMC算法,该算法采用了概率参数空间的建议。通过参数变换,得到了关于边际对数线性相互作用的相应建议。我们利用条件共轭设置来构建关于概率参数的有效建议。通过仿真研究和实际数据集说明了所提出的方法。
Ioannis Ntzoufras公司。 克劳迪娅·塔兰托拉。 莫妮娅·卢帕雷利。 “用于图形对数线性边缘模型中贝叶斯定量学习的基于概率的独立采样器。” 贝叶斯分析。 14 (3) 777 - 803, 2019年9月。 https://doi.org/10.1214/18-BA1128