사전 매개변수 분산안녕,
베이지안 D-최적 설계의 사전 매개변수 분산 옵션을 이해하려고 합니다. JMP 도움말에 " 입력하는 값은 사전 분산의 역수의 제곱근입니다. 값이 클수록 분산이 작아지고, 따라서 효과가 유효하지 않다는 사전 정보가 더 많아집니다."라는 설명이 있습니다.
좀 헷갈립니다. 더 큰 값을 입력하면 알고리즘에 효과가 중요하다는 사전 지식이 더 많다는 것을 알려줄 거라고 생각했는데, 도움말에서는 값이 클수록 효과가 활성화되지 않는다고 나와 있습니다. 누가 좀 설명해 주시겠어요?
감사해요
실험 설계Re: 사전 매개변수 분산" 입력하는 값은 사전 분산의 역수의 제곱근입니다." 이는 모델 매개변수에 대한 사전 불확실성이 수치적으로 어떻게 표현되는지를 나타냅니다. 구체적으로는 표준 편차의 역수이며, 사전 확률의 정밀도라고도 합니다.
"값이 클수록 분산이 작아지고 따라서 효과가 활성화되지 않았다는 사전 정보가 더 많아집니다."
이는 숫자를 해석하는 방법을 알려줍니다.
- 더 큰 값(즉, 더 높은 정밀도 또는 더 작은 분산)은 효과가 0에 가깝다고 강력히 믿는다는 것을 나타냅니다. 즉, 효과가 활성화되지 않았다는 것을 나타냅니다.
- 값이 작을수록(즉, 정밀도가 낮거나 분산이 클수록) 불확실도가 커집니다. 즉 , 효과가 0이 아닐 가능성이 더 큽니다.
이것이 베이지안 D-최적 설계에 왜 중요한가요?
베이지안 D-최적 설계는 사전 정보를 사용하여 이미 믿고 있는 바를 감안할 때 어떤 실험 실행이 가장 많은 정보를 제공하는지 결정합니다.
- 특정 효과가 무시할 만하다고(즉, 비활성적이라고) 확신하는 경우 해당 효과에 엄격한 사전 확률을 적용합니다(작은 분산 → JMP에서 큰 값).
- 일부 효과에 대해 확신이 없다면 약한 사전 확률(큰 분산 → JMP에서 작은 값)을 사용합니다.
이를 통해 설계는 모델에서 가장 유익한 부분이나 불확실한 부분을 추정하는 데 집중할 수 있습니다.
Re: 사전 매개변수 분산statman님, 정말 감사합니다.
이는 또한 평가 설계의 분산 예측 프로파일러가 비활성 요인에 대해 매개변수 공간에서 훨씬 작은 분산을 보여주는 이유를 설명합니다. 그 이유는 이러한 효과가 거의 0에 가깝기 때문입니다.
