New Posts
-
Bayes Factor 쉽게 계산하기: BIC와 BayesFactor 패키지
Jun 27, 2019
Bayes Factor (BF) 에 대해 지난 두 포스팅 (하단 링크 참조) 에서 설명했습니다. 아주 짧게 요약하자면, BF는 두 가설이 각각 가정하는 사전분포에 대한 likelihood의 기댓값들의 비율, 즉 marginal likelihood의 비율이라고 했습니다. 그런데 BF를 실제로 계산하는 것은 때로 꽤 어렵습니다. 특히 데이터가 클 때는 더욱 그렇습니다. MCMC 같은 방법은 데이터가 매우 클 때는 느리고 비효율적입니다. 그런데 이런 시뮬레이션 방법을 할 줄 모르면 아예 BF를 계산하는 걸 시도하는 것조차 어렵죠. 그래서 이 글에서는 좀 더 간단한 방법으로 BF를 계산 또는 근사하는 방법에 대해 설명하겠습니다. (이 방법들은 특별히 베이지안 통계에 트레이닝받지 않은 사람들도 할 수 있습니다.)
-
EM 알고리즘 이해 및 구현하기
Jun 23, 2019
오늘 소개할 내용은 EM 알고리즘입니다.
2. Miscellaneous Posts on Statistics & Learning
- Likelihood-free Bayesian inference (3): 정규분포 예제
- Likelihood-free Bayesian inference (2): 이항분포 예제
- Likelihood-free Bayesian inference (1): 가능도 likelihood 없이 베이지안 추론을 한다고?
- 베이지안 메타분석 (2) - 사전분포의 선택이 베이지안 분석결과에 미치는 영향: sensitivity analysis
- 베이지안 메타분석 (1) - 가장 간단한 random effect model: eight schools example
- 반응시간 자료의 분석 (2): Wald 모형의 베이지안 추정
- DIC와 WAIC: 베이지안 모형선택을 위한 정보 기준들
- 단순매개분석을 Bayesian 방식으로 R과 Python에서 구현하기
- 부트스트랩 매개분석 (2): 구현하기
- 부트스트랩 매개분석 (1): 수학 없이 시뮬레이션으로 추정하는 통계적 마법
- 소벨 테스트 완전히 이해하기 (3): 다변량 델타 메쏘드와 그 적용
- Nonparametric Bayesian 이란?
- 소벨 테스트 완전히 이해하기 (2): 델타 메쏘드
- 소벨 테스트 완전히 이해하기 (1): 서론
- 회귀분석에서 로그변환의 해석상 주의점
- 통계학에서 (아마도 가장) 자주 만날 부등식: 젠센 부등식
- Bayes Factor 쉽게 계산하기: BIC와 BayesFactor 패키지
- EM 알고리즘 이해 및 구현하기