देता है मैं आर में इस बाद के वितरण की गणना करने की कोशिश कर रहा हूं। समस्या यह है कि संख्यात्मक, जो डबरन (p_i, y_i) < 1 का गुच्छा का उत्पाद है, भी है छोटे। (मेरा एन लगभग 1500 है)। इसलिए, आर 0 से बाहर निकलता है, और सभी \ theta के लिए पूर्ववर्ती मान भी 0.संभावना का उत्पाद बहुत छोटा है - आर केवल 0
स्पष्टीकरण के लिए, प्रत्येक y_i का अपना p_i है, साथ में ये p_i n y के लिए n तत्वों का वेक्टर बनाते हैं। प्रत्येक थेटा के पास पी_आई का अपना एन-एलिमेंट वेक्टर होता है।
(अंश की)
p <- sample(seq(0.001,0.999,by=0.01), 1500, replace=T)
y <- sample(c(0,1), 1500, replace=T)
dbern(y, p) # 1500-element vector, each element < 1
prod(dbern(y, p)) # produces 0
exp(sum(log(dbern(y, p)))) # produces 0
संपादित करें (संदर्भ) एक प्रतिलिपि प्रस्तुत करने योग्य उदाहरण: मैं एक बायेसियन परिवर्तन बिंदु विश्लेषण (jstor.org/stable/25791783 कर रहा हूँ - पश्चिमी और Kleykamp 2004)। पेपर में निरंतर वाई के विपरीत, मेरा वाई बाइनरी है, इसलिए मैं अल्बर्ट और चिब (1 99 3) में डेटा एग्मेंटेशन विधि का उपयोग कर रहा हूं। उस विधि के साथ, वाई की संभावना बर्नौली है, पी = सीडीएफ-सामान्य (एक्स'बी) के साथ।
तो पी थैटा पर निर्भर करता है? ऐसा इसलिए है क्योंकि थेटा परिवर्तन बिंदु है। एक्स में से एक समय डमी है - उदाहरण के लिए, थेटा = 10, उदाहरण के लिए, दिन 10 से पहले सभी अवलोकनों के लिए समय = और 0 0 के बाद सभी अवलोकनों के लिए डमी = 1।
इस प्रकार, पी निर्भर करता है एक्स, एक्स थेटा पर निर्भर करता है - इस प्रकार, पी थीटा पर निर्भर करता है।
मुझे उपरोक्त मात्रा की आवश्यकता है क्योंकि गिब्स नमूना में थीटा की पूर्ण सशर्त है।
आपको 'log.likelihood' – Nishanth
के साथ काम करना चाहिए, मैंने कोशिश की। यदि मैं गलत नहीं हूं, तो क्या यह संभावना (0 0) का लॉग लेना है, इन 1500 नकारात्मक संख्याओं को योग करें, फिर एक्सप (योग)? फिर भी, योग इतना नकारात्मक है कि एक्सप (योग) अभी भी 0 हो जाएगा। क्या मैं इसे गलत कर रहा हूं? – Heisenberg
ठीक है, – Nishanth