- 追加された行はこの色です。
- 削除された行はこの色です。
- 階層ベイズ へ行く。
* 階層ベイズ (hierarchical Bayes) [#gce79378]
//ここには %項目の説明を書いてください.よろしければ署名しておいてください.
通常の非階層的なベイズモデルではデータが与えられたときのパラメータの事後分布はベイズの定理により次式で与えられる
\[\Pr[\theta|D]\propto\Pr[D|\theta]\Pr[\theta]\]
すなわち,\(\Pr[\theta]\) に従ってパラメータ \(\theta\) が発生し,そのパラメータの下でデータ \(D\) が \(\Pr[D|\theta]\) に従って発生する.
それを多段階にしたのが階層ベイズモデル.
超パラメータ \(\eta\) が \(\Pr[\eta]\) に従って発生,その超パラメータの下でパラメータ \(\theta\) が \(\Pr[\theta|\eta]\) に従って発生,さらに,そのパラメータの下でデータ \(D\) が \(\Pr[D|\theta]\) に従って発生する.このモデルの下で,パラメータと超パラメータの事後分布は,やはりベイズの定理を用いて次式で与えられる.
\[\Pr[\theta,\eta|x]\propto\Pr[D|\theta]\Pr[\theta|\eta]\Pr[\eta]\]
データが幾つかのグループに分かれている場合に,グループに共通する要因を超パラメータの事前分布でモデル化するとよい結果が得られる場合がある.例えば,今日のデータのモデルと昨日のデータのモデルを作りたいとする.これらは確かに違う振る舞いもするが,共通の要因もある.そこで共通要因を \(\Pr[\theta|\eta]\) で表し,今日と昨日のデータを別個に \(\Pr[D_\mathrm{today}|\theta]\) と \(\Pr[D_\mathrm{yesterday}|\theta]\) のようにモデル化したりする.
超パラメータの先をさらに階層化して3段階以上にすることも考えられる.
> -- しましま
** 関連項目 [#o6b2d81e]
//英語や同義語のあとに,#brで区切って関連する項目をリストしてください.
-[[hierarchical Bayes]]
#br
-[[ベイズの定理]]
-[[ベイズ推定]]
-[[latent Dirichlet allocation]]
#br
-[[検索:階層Bayes 階層ベイズ]]
** リンク集 [#yd54c843]
//関連するWWW資源があればリンクしてください.
-[[始めよう!ベイズ推定によるデータ解析のページ>http://tombo.sub.jp/bayes.html]]
#br
-[[Wikipedia:Hierarchical_Bayes_model]]
** 関連文献 [#u2d9130f]
//この%項目%に関連する書籍や論文を紹介してください.
-A.Gelman, J.B.Carlin, H.S.Stern, and D.B.Rubin "Bayesian Data Analysis" 2nd edition, Chapman&Hall/CRC (2004)~
[[GoogleScholarAll:Bayesian Data Analysis]]~
Amazon.co.jpへのリンク:&amazon(158488388X);
-[[Book/階層ベイズモデルとその周辺(統計科学のフロンティア4)]]