دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: James O. Berger, David Ríos Insua, Fabrizio Ruggeri (auth.), David Ríos Insua, Fabrizio Ruggeri (eds.) سری: Lecture Notes in Statistics 152 ISBN (شابک) : 9780387988665, 9781461213062 ناشر: Springer-Verlag New York سال نشر: 2000 تعداد صفحات: 430 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
کلمات کلیدی مربوط به کتاب تحلیل بیزی قوی: نظریه و روش های آماری
در صورت تبدیل فایل کتاب Robust Bayesian Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تحلیل بیزی قوی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تحلیل بیزی قوی با هدف غلبه بر اعتراض سنتی به تحلیل بیزی در مورد وابستگی آن به ورودی های ذهنی، عمدتاً قبلی و زیان، انجام می شود. هدف آن تعیین تأثیر ورودی ها به یک تحلیل بیزی (قبلی، ضرر و مدل) بر خروجی آن است، زمانی که ورودی ها در کلاس های خاصی قرار دارند. اگر تأثیر قابل توجه باشد، حساسیت وجود دارد و ما باید تلاش کنیم تا اطلاعات کلاس های موجود را بیشتر اصلاح کنیم، شاید از طریق محدودیت های اضافی در و/یا به دست آوردن داده های اضافی. اگر تاثیر مهم نباشد، استحکام پابرجاست و نیازی به تحلیل و اصلاح بیشتر نخواهد بود. تحلیل بیزی قوی به طور گسترده توسط آماردانان بیزی پذیرفته شده است. برای مدتی حتی موضوع اصلی تحقیق در این زمینه بود. با این حال، تا حد زیادی، تأثیر آنها هنوز در تنظیمات کاربردی دیده نمی شود. بنابراین، این جلد یک نمای کلی از وضعیت فعلی روشهای بیزی قوی و کاربردهای آنها ارائه میکند و موضوعات مورد علاقه بیشتر در این منطقه را شناسایی میکند. مقالات این جلد به 9 قسمت تقسیم شده است که جنبه های اصلی این حوزه را پوشش می دهد. مورد اول یک نمای کلی از استحکام بیزی در سطح غیر فنی ارائه می دهد. مقاله در بخش دوم به جنبههای بنیادی مربوط میشود و بدیهیات نظری تصمیمگیری را توصیف میکند که منجر به پارادایم قوی بیزی میشود، دلایلی که تحلیل قوی عملاً در تحلیل بیزی اجتنابناپذیر است.
Robust Bayesian analysis aims at overcoming the traditional objection to Bayesian analysis of its dependence on subjective inputs, mainly the prior and the loss. Its purpose is the determination of the impact of the inputs to a Bayesian analysis (the prior, the loss and the model) on its output when the inputs range in certain classes. If the impact is considerable, there is sensitivity and we should attempt to further refine the information the incumbent classes available, perhaps through additional constraints on and/ or obtaining additional data; if the impact is not important, robustness holds and no further analysis and refinement would be required. Robust Bayesian analysis has been widely accepted by Bayesian statisticians; for a while it was even a main research topic in the field. However, to a great extent, their impact is yet to be seen in applied settings. This volume, therefore, presents an overview of the current state of robust Bayesian methods and their applications and identifies topics of further in terest in the area. The papers in the volume are divided into nine parts covering the main aspects of the field. The first one provides an overview of Bayesian robustness at a non-technical level. The paper in Part II con cerns foundational aspects and describes decision-theoretical axiomatisa tions leading to the robust Bayesian paradigm, motivating reasons for which robust analysis is practically unavoidable within Bayesian analysis.
Front Matter....Pages i-xiii
Front Matter....Pages 1-1
Bayesian Robustness....Pages 1-32
Front Matter....Pages 33-33
Topics on the Foundations of Robust Bayesian Analysis....Pages 33-44
Front Matter....Pages 45-45
Global Bayesian Robustness for Some Classes of Prior Distributions....Pages 45-70
Local Robustness in Bayesian Analysis....Pages 71-88
Global and Local Robustness Approaches: Uses and Limitations....Pages 89-108
On the Use of the Concentration Function in Bayesian Robustness....Pages 109-126
Front Matter....Pages 127-127
Likelihood Robustness....Pages 127-143
Front Matter....Pages 145-145
Ranges of Posterior Expected Losses and ε-Robust Actions....Pages 145-159
Computing Efficient Sets in Bayesian Decision Problems....Pages 161-186
Stability of Bayes Decisions and Applications....Pages 187-196
Front Matter....Pages 197-197
Robustness Issues in Bayesian Model Selection....Pages 197-222
Bayesian Robustness and Bayesian Nonparametrics....Pages 223-240
Γ-Minimax: A Paradigm for Conservative Robust Bayesians....Pages 241-259
Front Matter....Pages 261-261
Linearization Techniques in Bayesian Robustness....Pages 261-272
Methods for Global Prior Robustness under Generalized Moment Conditions....Pages 273-293
Efficient MCMC Schemes for Robust Model Extensions Using Encompassing Dirichlet Process Mixture Models....Pages 295-315
Front Matter....Pages 317-317
Sensitivity Analysis in IctNeo....Pages 317-334
Sensitivity of Replacement Priorities for Gas Pipeline Maintenance....Pages 335-350
Robust Bayesian Analysis in Medical and Epidemiological Settings....Pages 351-372
A Robust Version of the Dynamic Linear Model with an Economic Application....Pages 373-383
Front Matter....Pages 317-317
Prior Robustness in Some Common Types of Software Reliability Model....Pages 385-400
Back Matter....Pages 401-424