Varianza del parametro precedenteCIAO,
Sto cercando di capire l'opzione "Prior Parameter Variance" per il disegno bayesiano D-ottimale. La guida di JMP dice: " Il valore inserito è la radice quadrata del reciproco della varianza a priori. Un valore maggiore rappresenta una varianza minore e quindi maggiori informazioni a priori sul fatto che l'effetto non sia attivo."
Sono un po' confuso, perché pensavo che inserendo un valore maggiore, l'algoritmo avrebbe comunicato che avevo maggiori conoscenze pregresse sull'importanza dell'effetto. Tuttavia, la guida in linea afferma che un valore maggiore significa che l'effetto non è attivo. Qualcuno può chiarirmi questo punto, per favore?
Grazie
Progettazione degli esperimentiRe: Varianza del parametro precedente" Il valore inserito è la radice quadrata del reciproco della varianza a priori." Questo si riferisce a come l'incertezza a priori sui parametri del modello viene rappresentata numericamente. Nello specifico: questo è il reciproco della deviazione standard, noto anche come precisione a priori.
"Un valore più grande rappresenta una varianza minore e quindi maggiori informazioni a priori sul fatto che l'effetto non è attivo."
Ecco come interpretare il numero:
- Un valore più elevato (vale a dire una precisione più elevata o una varianza più piccola) suggerisce che ritieni fermamente che l'effetto sia vicino allo zero , ovvero che non sia attivo .
- Un valore più piccolo (ad esempio, una precisione più bassa o una varianza più grande) indica maggiore incertezza, ovvero maggiore predisposizione alla possibilità che l'effetto possa essere diverso da zero.
Perché questo è importante per la progettazione D-ottimale bayesiana?
I progetti bayesiani D-ottimali utilizzano le informazioni precedenti per determinare quali esecuzioni sperimentali forniranno più informazioni in base a ciò in cui si è già convinti.
- Se si ritiene fermamente che determinati effetti siano trascurabili (ad esempio, inattivi), si assegnano loro priorità ristrette (piccole varianze → valori elevati in JMP).
- Se non si è certi di alcuni effetti, si utilizzano le ipotesi a priori deboli (grandi varianze → valori piccoli in JMP).
Ciò aiuta il progetto a concentrarsi sulla stima delle parti più informative o incerte del modello.
Re: Varianza del parametro precedenteGrazie mille statman,
Ciò spiega anche perché il profiler di previsione della varianza nel design Evaluate mostra una varianza molto più piccola nello spazio dei parametri per i fattori inattivi, poiché tali effetti sono prossimi allo zero.
