Teste de hipótese bayesiana sem lágrimas
Teste de hipótese bayesiano objetivo que não sofre dos problemas inerentes à abordagem padrão e, portanto, funciona bem na prática:
Instalação Atualmente não registrada, para instalar, digite o seguinte (no prompt da julia):
julia> ]
(v1.0) pkg> add https://github.com/tszanalytics/BayesTesting.jl.git
Funções atualmente disponíveis (pacote em desenvolvimento)
Funções adicionadas (consulte BayesTesting.jl_docs_2018.pdf para obter detalhes) : Bayesian_ttest, correlação_ttest, compare_means, compare_proportions, equiv_test
Teste de hipótese:
Parâmetro opcional nas seguintes funções: h0= valor na hipótese do casco (o padrão é h0 = 0)
pdr_val(theta_draws) = retorna a razão de densidade posterior (PDR, também conhecida como probabilidades posteriores), tail_prob, 2xtail_prob (um "valor p bayesiano)
todds(theta_hat,theta_hat_se,v) = retorna probabilidades posteriores de Student-t para theta
mcodds(theta_draws) = retorna probabilidades posteriores dada a amostra MC para theta (qualquer distribuição).
bayespval (theta_draws) = retorna o valor p bayesiano (área da cauda) fornece amostra MC para theta
Inferência posterior:
update_mean(m1,m0,s1,s0,n1,n0) = Para amostra posterior gaussiana 1 (ou anterior) com média = m0, sd = s0, número de obs. =n0, e verossimilhança gaussiana ou posterior para amostra 2 com média = m1, DP = s1, número de obs. = n1, retorna tupla da média posterior da amostra combinada = m2, SD = s2, número de obs. =n2
marginal_posterior_mu(m,s, n, M) = retorno M extrai da densidade marginal posterior de Student-t com média = m, SD = s, número de obs. = n. M é um argumento opcional (o padrão é M = 10.000).
blinreg(y,X) = estimar um modelo linear y=Xβ+u (defina X para conter o vetor de uns para uma interceptação)
gsreg(y,X) = amostrador Gibbs para regressão linear com prior não informativo padrão, X deve conter vetor de uns para incluir interceptação. Parâmetros opcionais: tau = valor inicial de precisão (padrão = 1,0) M = tamanho da amostra MCMC (padrão = 10.000)
gsreg(y,X, M=m, tau=t, b0=priorb, iB0 = invpriorcovb , d0=b, a0=a) = amostrador Gibbs com NIG anterior. Nota: iB0 = matriz de precisão anterior = inv (matriz de variância anterior) b0 deve ser um vetor coluna, a0 e b0 são parâmetros anteriores para tau ~ Gamma (a, b)
Exemplo 1: Testando se a média amostral é igual a zero
using BayesTesting
srand(1235) # generate psuedo-data, n obs.
n = 50
x = randn(n)
v = n-1 # degrees of freedom
mu_hat = mean(x) # sample mean
se_mu = std(x)/sqrt(v) # sample standard error of mean
todds(mu_hat,se_mu,v) # posterior odds vs. zero
# Result: todds(mu_hat, se_mu, v, h0=0) = 1.016 => 1:1 odds against the null.
# with a nonzero mean - change the data generating process for x above to:
x = 0.5 + randn(n)
# Resulting posterior odds: todds(mu_hat, se_mu, v, h0=0) = 110.50 => 110:1 odds against the null
Ajuda mais detalhada e exemplos em: BayesTesting.jl_docs_2018.pdf
ADICIONADO: funções compare_means e compare_proportions
Será adicionado como PlotRecipe às funções do pacote em breve.
function plot_mc_diff(draws_m1,draws_m2; lbl=["mu 1" "mu 2"],lgd = :topright)
diff_mean = draws_m1 - draws_m2
l = @layout([a b])
plt1 = plot(draws_m1,st=:density,fill=(0,0.4,:blue),alpha=0.4,label=lbl[1],legend=lgd,title="Posteriors from each mean")
plot!(draws_m2,st=:density,fill=(0,0.4,:red),alpha=0.4,label=lbl[2])
plt2 = plot(diff_mean,st=:density,fill=(0,0.4,:green),alpha=0.4,label="",title="Posterior difference")
vline!([0.0],color=:black,label="")
plt3 = plot(plt1, plt2, layout=l)
return plt3
end
Exemplo de uso da função plot_mc_diff
m1 = 1.0; s1 = 0.8; n1 = 10; m2 = 0.0; s2 = 1.0; n2 = 20
diff_mean, draws_m1, draws_m2, qs, tst = compare_means(m1, m2, s1, s2, n1, n2)
plt = plot_mc_diff(draws_m1,draws_m2)