-
Notifications
You must be signed in to change notification settings - Fork 0
/
HierarchicalBayes.Rpres
85 lines (67 loc) · 3.49 KB
/
HierarchicalBayes.Rpres
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
HierarchicalBayes
========================================================
author: Manoel Galdino
date: 24/07/2014
Modelo Hierárquicos Bayesianos e Topic Models
========================================================
Um exemplo simples de modelo hierárquico
- 8 schools example - adaptado de Gelman et. al.
- Qual o efeito de aulas direcionadas para aumentar desempenho
no Scholastic Aptitude Test?
- Aulas dadas em 8 escolas.
-Efeito (e incerteza) estimado do tratamento em cada escola
Modelo Hierárquicos Bayesianos - 8 schools
========================================================
School | estimated treatment effect | standard error of the estimate
------------- | ------------- | ------------
A | 28 | 15
B | 8 | 10
C | -3 | 16
D | 7 | 11
E | -1 | 9
F | 1 | 11
G | 18 | 10
H | 12 | 18
Modelo Hierárquicos Bayesianos e Topic Models
========================================================
Qual o verdadeiro efeito do tratamento na escola A?
- 28, pois é ATE e não-viesado
- 8 (efeito médio em todas as escolas). Efeito n é significativamente
diferente de 8 (p > 0.05)
- Primeiro considera cada escola isoladamente
- Ignora evidencia de que cursos similares tem efeito menor que 20 pontos
- Segundo considera que tratamento em todas as escolas são iguais
- Apesar de que cursos são ensinados por diferentes profs. para diferentes estudantes.
Modelo Hierárquicos Bayesianos e Topic Models
========================================================
Solução de modelos hierárquicos
- (1) Assuma que o "verdadeiro efeito" em cada escola vem de uma distribuição normal com média mu e desvio padrão sigma desconhecidos
- (2) Assuma que o efeito observado em cada escola é derivado de uma distribuição normal com média igual ao verdadeiro efeito e desvio padrão igual ao da tabela
Modelo Hierárquicos Bayesianos e Topic Models
========================================================
Solução de modelos hierárquicos
- Modelo ou Verossimilhança
- y[i] ~ N(mu[i], sigma[i]^2) # cada y tem sua própria média e dp
- mu[i] ~ N(mu.grande, sigma.grande^2) # as médias tem uma média geral das escolas. Isso que gera o partial pooling ou shrinkage
- Prioris: mu.grande ~ N(0, 100 ) e sigma.grande ~ U(0, 1000)
- se sigma.grande -> 0, então todas escolas têm mesma média
- se sigma.grande -> inf, então grande média é não-informativa e cada escola tem sua própria média
- caso intermediário equivale a partial pooling ou shrinkage
Modelo Hierárquicos Bayesianos e Topic Models
========================================================
Solução de modelos hierárquicos
- Em Topic Models, simplificadamente, temos
- cada doc têm palavras que seguem distrib de um tópico
- w[i,d] ~ Distrib do Tópico k
- MAs, prob. de um doc A vir de tópico K não é (a priori) a mesma de vir de um tópico J. Docs de um mesmo autor têm maior prob. de virem do mesmo tópico.
- O exemplo aqui é mais complicado, pois se trata de priori sobre distribuições mais complexas que a Normal. Ex. Dirichelet.
Slide With Code
========================================================
```{r}
summary(cars)
```
Slide With Plot
========================================================
```{r, echo=FALSE}
plot(cars)
```