※ 引述《[email protected] (老怪物)》之铭言： : ※ 引述《[email protected] (小灭灭)》之铭言： : > 我在念这个单元的时候 : > 我觉得我不是很了解贝氏估计的意涵 : > 不太懂的他的观念以及整个理论架构 : > 不知道有没有高手可以替我解说一下 : > 感谢 : 贝氏方法, 参数θ是假设为 "随机的", 有一个机率分布, : 称 prior distribution. : 但已知θ值时, 资料 X 有一个分布: f(x|θ). : 设θ的 prior distribution, 即其 marginal distribution, : 以 π(θ) 表示, 则可得 given X=x(实际观测到的资料) : 时θ的 conditional distribution g(θ|x), 称之为 θ : 的 posterior distribution. : 贝氏方法即是以θ的 posterior distribution 为基础对 : θ做推论. 例如取 posterior mean 或 posterior median : 为θ的点估计值. : 书多看几遍, 再做做练习, 并多思考. 我之前思考了一阵子我大该发现自己问题卡在哪边 应该说我不懂後验分配所求出来的值代表的意义 求出来的g(θ|x)指的是抽样完以後θ的函数吗 而在这边跟mle不同的是否是 mle的θ是固定的，但是贝氏的θ是个变数 最後要求点估计式是否也是因为θ是变数不能直接对其微分 所以为了使E(g(θ|x)-b)^2极小求出E(θ|x)当作估计式 不过这边我也不懂为什麽要取E(g(θ|x)-b)^2极小来当作估计式 其实我对於贝氏的观念颇薄弱 所以可能问了蠢问题，希望不会见笑 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 59.112.35.173