We used the Gibbs algorithm describ

We used the Gibbs algorithm described above to generate 10,000 draws from the posterior density in order to select the optimal number of mixture components. The chain was run with 10 000 draws plus 1000 draws for warming. We computed various indicators: the BIC (evaluated at the maximum a posteriori estimator), the marginal likelihood using Chib’s method (computed at the prior mean), and two deviance information criteria, View the MathML source and View the MathML source. Most of the time, BIC and Chib were in agreement to select a model with 3 components. The deviance information criterion provided the same answer only for 1988. Otherwise it continues to decrease as an inverse function of k. With those data sets, we cannot get a general and clear answer for selecting mixture components using a DIC, corroborating the extensive results of Celeux et al. (2006). Chib’s method does not seem to be too influenced by label switching in this example, because adding logk! to the log of the marginal likelihood does not change the ordering. Finally, we undertook a sensitivity analysis. The last block of Table 3 is devoted to analysing a variant consisting in adopting a unique prior mean for μ equal to the sample mean of the logs, and this only for the year 1988. We get an identical conclusion for Chib’s predictive and BIC. However, we can no longer get a conclusion with the DIC. 1988 was the only period for which the DIC gave a similar answer. Just by changing the prior, we lose this unique result, which shows the fragility of the DIC in the case of mixtures. We can however conclude that the best approximating model is a finite mixture of three log-normal densities.

ผลลัพธ์ (ไทย) 1:

เราสามารถใช้อัลกอริทึมเมียร์ที่อธิบายข้างต้นเพื่อสร้าง 10,000 วาดจากความหนาแน่นหลังเพื่อเลือกหมายเลขที่เหมาะสมของส่วนประกอบส่วนผสม ห่วงโซ่รัน ด้วย 10 000 ดึง พลัส 1000 วาดสำหรับภาวะโลกร้อน เราคำนวณตัวชี้วัดต่าง ๆ: BIC (ประเมินได้สูงสุดประมาณเป็น posteriori) โอกาสกำไรใช้ของ Chib วิธี (คำนวณเวลาเฉลี่ยก่อน), และสอง deviance ข้อมูลเงื่อนไข ดูแหล่ง MathML และดูแหล่ง MathML ส่วนใหญ่เวลา BIC และ Chib ก็ตกลงเพื่อ เลือกรูปแบบที่ มีส่วนประกอบ 3 เกณฑ์ข้อมูล deviance ให้คำตอบเดียวเท่านั้นสำหรับปี 1988 มิฉะนั้น จะยังคงลดลงเป็นฟังก์ชั่นผกผันของ k ชุดข้อมูลเหล่านั้น เราไม่สามารถรับทั่วไป และล้างคำตอบสำหรับการเลือกส่วนผสมที่ใช้ DIC, corroborating ผลกว้างขวางของ Celeux et al. (2006) วิธีของ Chib ไม่เกินไปมีผลมาจากป้ายชื่อที่เปลี่ยนในตัวอย่างนี้ เนื่องจากการเพิ่ม logk บันทึกล็อกโอกาสกำไรเปลี่ยนแปลงการสั่งซื้อ ในที่สุด เรา undertook การวิเคราะห์ความไว บล็อกสุดท้ายของตารางที่ 3 อุทิศให้วิเคราะห์ตัวแปรที่ประกอบด้วยในการปรับใช้หมายล่วงหน้าเฉพาะสำหรับμเท่ากับค่าเฉลี่ยตัวอย่างของแฟ้มบันทึก และนี้สำหรับปี 1988 เราได้ข้อสรุปที่เหมือนกันสำหรับ Chib ทำนาย และ BIC อย่างไรก็ตาม เราจะไม่ได้รับสรุปกับ DIC ปี 1988 เป็นรอบระยะเวลาเฉพาะซึ่ง DIC ให้คำตอบที่คล้ายกัน เปลี่ยนก่อน เราสูญเสียผลเฉพาะ ซึ่งแสดงความเปราะบางของ DIC ในกรณีผสม นอกจากนี้เราอย่างไรก็ตามสามารถสรุปได้ว่าแบบจำลองดีที่สุด approximating จำกัดส่วนผสมของความหนาแน่นปกติล็อกสาม

ผลลัพธ์ (ไทย) 2:

เราใช้อัลกอริทึมกิ๊บส์กล่าวไว้ข้างต้นในการสร้าง 10,000 ดึงออกมาจากความหนาแน่นหลังในการสั่งซื้อเพื่อเลือกจำนวนที่เหมาะสมของส่วนประกอบผสม ห่วงโซ่วิ่ง 10 000 1000 ดึงบวกเสมอสำหรับภาวะโลกร้อน เราคำนวณตัวชี้วัดต่างๆที่: BIC (การประเมินผลที่สูงสุดประมาณ posteriori) โอกาสร่อแร่โดยใช้วิธีการของ Chib (คำนวณที่หมายถึงก่อน) และสองเกณฑ์ข้อมูลอันซ์ดูแหล่งที่มา MathML และดูแหล่งที่มา MathML ส่วนใหญ่เวลาที่ BIC และ Chib อยู่ในข้อตกลงที่จะเลือกรุ่นที่มี 3 ส่วน เกณฑ์ข้อมูลอันซ์มีให้คำตอบเดียวกันเพียง แต่สำหรับปี 1988 มิฉะนั้นจะยังคงลดลงเป็นฟังก์ชันผกผันของ k กับบรรดาชุดข้อมูลที่เราไม่สามารถได้คำตอบที่ชัดเจนทั่วไปและสำหรับการเลือกส่วนประกอบผสมใช้ DIC, ยืนยันผลที่กว้างขวางของ Celeux et al, (2006) วิธีการของ Chib ดูเหมือนจะไม่ได้รับผลกระทบเช่นกันด้วย Label Switching ในตัวอย่างนี้เพราะการเพิ่ม logk! เพื่อเข้าสู่ระบบของโอกาสร่อแร่ไม่เปลี่ยนแปลงการสั่งซื้อ สุดท้ายเรามารับการวิเคราะห์ความไว บล็อกสุดท้ายของตารางที่ 3 จะทุ่มเทให้กับการวิเคราะห์ตัวแปรประกอบด้วยในการนำค่าเฉลี่ยก่อนที่ไม่ซ้ำกันสำหรับμเท่ากับค่าเฉลี่ยของกลุ่มตัวอย่างของการบันทึกและนี้เท่านั้นสำหรับปี 1988 ที่เราได้รับข้อสรุปที่เหมือนกันสำหรับ Chib ของ BIC ทำนายและ อย่างไรก็ตามเราไม่สามารถได้รับข้อสรุปกับ DIC 1988 เป็นระยะเวลาเพียงซึ่ง DIC ให้คำตอบที่คล้ายกัน เพียงแค่เปลี่ยนก่อนที่เราสูญเสียนี้ผลที่ไม่ซ้ำกันซึ่งแสดงให้เห็นความเปราะบางของ DIC ในกรณีของผสมที่ แต่เราสามารถสรุปได้ว่ารูปแบบใกล้เคียงกับที่ดีที่สุดเป็นส่วนผสม จำกัด ของความหนาแน่นสามระบบปกติ

ผลลัพธ์ (ไทย) 3:

เราใช้วิธีการที่อธิบายไว้ข้างต้นเพื่อสร้างกิ๊ป 10000 เหลือจากความหนาแน่นของกระดูกเพื่อเลือกหมายเลขที่เหมาะสมขององค์ประกอบที่ผสม โซ่ใช้กับ 10 , 000 เหลืออีก 1000 เหลือเพื่อความอบอุ่น เราคำนวณตัวชี้วัดต่างๆ : BIC ( ประเมินในสูงสุดจากผลไปสู่เหตุประมาณการ ) , เพิ่มโอกาสการใช้มีดเป็นวิธีคำนวณที่ค่าเฉลี่ยก่อน ) และสองเงื่อนไขข้อมูลเบี่ยงเบน , มุมมองและมุมมอง MathML MathML แหล่งที่มา ส่วนใหญ่ของเวลา และบิ๊ก มีดอยู่ในข้อตกลงในการเลือกรุ่นที่มี 3 องค์ประกอบ การเบี่ยงเบนข้อมูลเกณฑ์ให้คำตอบเดียวกันสำหรับปี 1988 ไม่เช่นนั้นก็ยังคงลดลงเป็นฟังก์ชันผกผันของ K . กับชุดข้อมูลที่เราไม่สามารถได้รับคำตอบทั่วไปและชัดเจนสำหรับการเลือกส่วนประกอบผสมโดยใช้ DIC , corroborating ผลที่กว้างขวางของ celeux et al . ( 2006 ) มีดเป็นวิธีที่ไม่ได้ดูเหมือนจะได้รับอิทธิพลมากจากป้ายสลับในตัวอย่างนี้ เพราะการเพิ่ม logk ! เพื่อเข้าสู่ระบบของความน่าจะเป็นชายขอบไม่ได้เปลี่ยนแปลงการสั่งซื้อ สุดท้ายเราดำเนินการวิเคราะห์ความไว บล็อกสุดท้ายของตารางที่ 3 ทุ่มเทเพื่อวิเคราะห์ตัวแปรที่ประกอบด้วยในการหมายถึงก่อนที่ไม่ซ้ำกันสำหรับμเท่ากับค่าเฉลี่ยตัวอย่างของบันทึก และนี้เท่านั้นสำหรับปี 1988 เราได้ข้อสรุปที่เหมือนกันและมีดเป็นแบบบิ๊ก . อย่างไรก็ตาม เราไม่สามารถหาข้อสรุปกับ DIC . 1988 เป็นแค่ช่วงนี้เท่านั้น ซึ่งอาจให้คำตอบที่คล้ายคลึงกัน โดยการเปลี่ยนแปลงก่อนที่เราจะสูญเสียผลพิเศษนี้ ซึ่งแสดงให้เห็นถึงความเปราะบางของ DIC กรณีผสม เราสามารถ แต่สรุปได้ว่าแบบจำลองที่ดีที่สุดประเภทเป็นส่วนผสมวิธีปกติ 3 ) เข้าสู่ระบบ