Contenu connexe
Plus de Masaru Tokuoka (13)
rstanで情報仮説によるモデル評価してみる@Hjiyama.R
- 6. 情報仮説でモデル評価って何?
• 情報仮説:不不等式制約で表現される仮説( )
• 無制約仮説( )
• 情報仮説の複雑さを考慮して,ベイズファクターを算
出。ベイズファクターの値で評価する
※仮説の複雑さ:情報仮説と整合的な確率率率密度度の割合
※ベイズファクター(BF):前⽥田和寛先⽣生の資料料がわかりやすい
ので参照してください(http://www.slideshare.net/
kazutantan/bayes-‐‑‒factor)
6
- 8. 情報仮説H1:µ1 > µ2の場合
• データを取ってMCMCしたらこんな感じの事後分布
• 情報仮説に合うのは右下の半分。事後分布の82.5%
が情報仮説に適合
• 情報仮説H1の尤もらしさ
※f1:事後分布の適合度度
(モデルの当てはまり)
※c1:H1の複雑さ
8
- 21. 結果の比較:BUGSとrstan
H1 H2 Hu
ci 0.1667 0.3333 -
fi(fit) 0.9277 0.9349 -
BFiu 5.57 2.80 1.00
PMPi 0.59 0.30 0.11
H1 H2 Hu
fi(fit) 0.9278 0.9349 -
BFiu 5.57 2.80 1.00
PMPi 0.59 0.30 0.11
岡田(2014)の結果
rstanでの推定結果
21• H1とH2のfとPMPの確率率率差が仮説の複雑性の影響
- 25. MCMCはこんな条件で
• 反復復回数は21000回 (iter =21000)
• 2本のMCMCを⾛走らせる (chain = 2)
• バーンアウト区間は1000回 (warmup = 1000)
• 10回ごとにMCMC標本をとってくる (thin = 10)
• 最終的に2000のMCMC標本が得られる
25
- 29. どの仮説が尤もらしいか
H1:失敗回避>成功接近
• BF10 = 0.83
• PMP1 = 0.45
H0:失敗回避=成功接近
• BF00 = 1
• PMP0 = 0.55
結論論:H0のほうが妥当な仮説といえそう
• 帰無仮説のBFは常に1になるのでPMPが極端に⼤大きい
値にはならない。帰無仮説を主張したい場合よりも,
複数の仮説から選択したい場合に有効かも
29