Bayesçi Probit Modeli
Bayesian Probit Regression Model · Ayrıca şöyle bilinir: Bayesian probit regression, probit model with data augmentation, Gibbs sampling probit, Albert-Chib probit
Bayesçi Probit modeli, bir ikili sonucun olasılığını Bayesçi bir çerçevede normal kümülatif dağılım fonksiyonunu (probit bağlantısı) kullanarak modelleyen ikili bir regresyon yöntemidir. Regresyon katsayılarına önsel dağılımlar atar ve bunları gözlemlenen verilerle güncelleyerek tek bir nokta tahmininden ziyade tam bir sonsal dağılım elde eder. Albert-Chib veri-artırma algoritması, Gibbs örneklemesi yoluyla sonsal örneklemeyi hesaplama açısından verimli hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç ikili olduğunda ve yalnızca nokta tahminleri yerine sonsal dağılımlar aracılığıyla tam belirsizlik ölçümü istediğinizde Bayesçi Probit modelini kullanın — özellikle olasılık temelli MLE'nin kararsız olduğu küçük örneklemlerde, bilgilendirici önsel bilginin mevcut olduğu veya belirsizlik bantlarıyla kalibre edilmiş tahminler gerektiğinde değerlidir. Ayrıca, nörobilim ve psikometri uygulamalarında, probit bağlantısının altında yatan gizli değişken teorisine daha iyi uyduğu durumlarda Bayesçi lojistik regresyona tercih edilir. Çok büyük veri kümelerinde hızlı, deterministik hesaplama gerekiyorsa (MCMC örnekleyicisi MLE'den daha yavaştır), sonuçta ikiden fazla sıralı kategori varsa (Bayesçi sıralı probit kullanın) veya hesaplama kaynakları sınırlıysa ve sıklaştırmacı bir probit yeterli kapsama sağlıyorsa kullanmayın.
Güçlü yönler & sınırlılıklar
- Yalnızca nokta tahminleri yerine güven aralıkları ve tahmin edici dağılımlar sağlayan katsayılar üzerinde tam bir sonsal dağılım sağlar.
- Albert-Chib veri-artırma Gibbs örnekleyicisi kesin ve hesaplama açısından verimlidir, sayısal entegrasyondan kaçınır.
- Bilgilendirici önseller, küçük örneklemlerde veya seyrek olaylarda tahminleri stabilize eder, standart probit MLE'de yaygın olan ayrılma/tam ayrılma sorununu azaltır.
- Parametre belirsizliğini tahminlere doğal olarak yayarak iyi kalibre edilmiş olasılık tahminleri üretir.
- Hiper önseller aracılığıyla hiyerarşik ve çok düzeyli belirtimlere temiz bir şekilde genişler.
- MCMC örneklemesi büyük veri kümeleri için MLE'den daha yavaştır; yakınsama izlenmelidir (Rhat, iz grafikleri).
- Sonuçlar önsel seçime bağlıdır; kötü belirtilmiş önseller, özellikle küçük örneklemlerde çıkarımı bozabilir.
- Probit bağlantısı, katsayıları gizli değişken ölçeğinde üretir, bu da lojistik regresyona kıyasla olasılık oranları olarak daha az doğrudan yorumlanabilir.
- Standart sıklaştırmacı probitten daha fazla istatistiksel uzmanlık gerektirir.
SSS
Bayesçi probit ve Bayesçi lojistik regresyon arasındaki fark nedir?
Her ikisi de ikili sonuçları modeller ancak farklı bağlantı fonksiyonları kullanır: probit normal CDF'yi (Phi), lojistik lojistik fonksiyonu kullanır. Probit bağlantısı doğal bir gizli değişken yorumuna sahiptir (gizli bir Gauss puanı), bu psikometri ve sinyal tespitinde teorik olarak motive edilmiştir. Pratikte, iki model çok benzer tahmin olasılıkları üretir; lojistik katsayılar olasılık oranlarına dönüştürülebilir, ancak probit katsayıları dönüştürülemez.
Beta için önseli nasıl seçerim?
Yaygın bir varsayılan, Stan ve rstanarm literatüründeki önerileri izleyerek, her bir standartlaştırılmış katsayı üzerinde N(0, 2.5) gibi zayıf bilgilendirici bir normal önseldir. Bu, veriyi güçlü bir şekilde domine etmeden aşırı tahminleri küçültür. Yalnızca gerçek ön bilginiz olduğunda bilgilendirici önseller kullanın ve sonuçların önsel seçimine duyarlılığını belgeleyin.
Kaç tane MCMC yinelemesi gerekir?
Evrensel bir cevap yoktur, ancak yaygın bir başlangıç noktası 4 zincir boyunca 2000 ısınma ve 2000 örnekleme yinelemesidir. Rhat (1.01'in altında olmalı) ve etkili örneklem büyüklüğü (her parametre için ESS 400'ü aşmalıdır) ile yakınsamayı izleyin. Zincirler yakınsamadıysa yinelemeleri artırın.
Tam ayrılma ile Bayesçi probit kullanabilir miyim?
Evet — bu, MLE probit'e göre en büyük avantajlarından biridir. Bir öngörücü iki sonuç sınıfını mükemmel bir şekilde ayırdığında, MLE katsayıları sonsuza ıraksar, ancak zayıf bilgilendirici bir önsel, sonsal dağılımı sonlu, yorumlanabilir bir değerde yoğunlaştırır.
Bayesçi probit büyük veri kümeleri için uygun mudur?
Olabilir, ancak n çok büyük olduğunda MCMC yavaşlar. Varyasyonel Bayes yaklaşımları veya Laplace yaklaşımları (INLA veya rstanarm'ın optimizasyon modundaki gibi) hızlı yaklaşık sonsal dağılımlar sağlayabilir. Alternatif olarak, Stan'ın NUTS'ı gibi modern örnekleyiciler, orta derecede büyük veri kümelerini verimli bir şekilde işler.
Kaynaklar
- Albert, J. H., & Chib, S. (1993). Bayesian analysis of binary and polychotomous response data. Journal of the American Statistical Association, 88(422), 669-679. DOI: 10.1080/01621459.1993.10476321 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Probit Regression Model. ScholarGate. https://scholargate.app/tr/statistics/bayesian-probit-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesian Lojistik RegresyonBayesçi↔ karşılaştır
- Bayesçi Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- Bayesci Sıralı Lojistik Regresyonİstatistik↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Probit Regresyon ModeliEkonometri↔ karşılaştır