对于β,我们有广泛的先验知识;对于β1,2,3,4,我们选择一个凹形:β~ N(0,2),β1,2,3,4~ N(0.5,0.5)(17)对于γ,我们有一个广泛的先验;对于γ1,2,3,4,5,我们选择一种凹形形式:γ~ N(0,2),γ1,2,3,4,5~ N(0.5,0.5),γ~ N(1,1)(18)对于γ,我们使用正态分布,其左侧以零为界。考虑到期望值对偏态参数κ的敏感性,我们选择α为负数,α1,2以零为中心,以便我们从零偏态假设开始,仅在数据如此规定的情况下调整偏态:α~ N个(-5, 2), α1,2~ N(0,0.5)(19)算法特定的层次回归模型将βposit和γposit以及αposit的后验分布的平均uposit和标准差σposit作为特定系数βaian和γiand以及αAi的先验算法。回归系数βa、γi和αa i为正态分布。位置参数u的系数β未填充(每个算法不同),算法A的系数β由以下公式给出:βAi~ Nu(βposi),σ(βposi)(20) 尺度参数σ的系数γ被合并(对于所有算法都是相同的),因为它们表示基准的属性,而不是算法的属性。γi~ Nu(γposi),σ(γposi)(21)不填充偏度参数κ的系数α(每个算法不同),对于算法A,由以下公式给出:αAi~ Nu(αposi),σ(αposi)(22)根据Bayes定理,回归系数的后验分布∈ [β,γ,α]给定观测值y为:P(w | y)∝ P(y | w)P(w)(23)前面的P(w)在上面定义,可能性P(y | w)由不对称拉普拉斯分布(7)给出。或者,可以使用非对称广义正态分布或非对称t分布作为可能性。
|