Testowanie i nakładanie restrykcji nierówności na znak parametrów
Transkrypt
Testowanie i nakładanie restrykcji nierówności na znak parametrów
Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Ekonometria Bayesowska Wykªad 8: Restrykcje w postaci nierówno±ci Andrzej Torój 1 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Plan wykªadu 1 Wprowadzenie 2 Porównanie modeli: restrykcje w postaci nierówno±ci 3 Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci 2 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Plan prezentacji 1 Wprowadzenie 2 Porównanie modeli: restrykcje w postaci nierówno±ci 3 Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci 3 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Podej±cie klasyczne a bayesowskie Rozwa»my model regresji liniowej: yt = β0 + β1 x1,t + β2 x2,t + εt Gdy INTERESUJE NAS, CZY β1 > b1 (lub np. β1 > b ∧ β2 > b2 ): w podej±ciu klasycznym: sprawdzamy, czy nierówno±¢ speªniona punktowo oraz czy punkt b1 (lub (b1 , b2 )) znajduje si¦ poza przedziaªem (elips¡) ufno±ci w podej±ciu bayesowskim: mo»emy wyznaczy¢ prawdopodobie«stwo a posteriori speªnienia nierówno±ci i odpowiedni iloraz szans a posteriori Gdy WIEMY, »e β1 > b1 : w podej±ciu klasycznym: pozostaj¡ nam nieliniowe transformacje parametrów, które wymuszaj¡ speªnienie nierówno±ci, ale równocze±nie nastr¦czaj¡ trudno±ci numerycznych i utrudniaj¡ wnioskowanie statystyczne w podej±ciu bayesowskim: mo»emy uwzgl¦dni¢ nierówno±¢ jako informacj¦ a priori 4 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Podej±cie klasyczne a bayesowskie Rozwa»my model regresji liniowej: yt = β0 + β1 x1,t + β2 x2,t + εt Gdy INTERESUJE NAS, CZY β1 > b1 (lub np. β1 > b ∧ β2 > b2 ): w podej±ciu klasycznym: sprawdzamy, czy nierówno±¢ speªniona punktowo oraz czy punkt b1 (lub (b1 , b2 )) znajduje si¦ poza przedziaªem (elips¡) ufno±ci w podej±ciu bayesowskim: mo»emy wyznaczy¢ prawdopodobie«stwo a posteriori speªnienia nierówno±ci i odpowiedni iloraz szans a posteriori Gdy WIEMY, »e β1 > b1 : w podej±ciu klasycznym: pozostaj¡ nam nieliniowe transformacje parametrów, które wymuszaj¡ speªnienie nierówno±ci, ale równocze±nie nastr¦czaj¡ trudno±ci numerycznych i utrudniaj¡ wnioskowanie statystyczne w podej±ciu bayesowskim: mo»emy uwzgl¦dni¢ nierówno±¢ jako informacj¦ a priori 4 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Podej±cie klasyczne a bayesowskie Rozwa»my model regresji liniowej: yt = β0 + β1 x1,t + β2 x2,t + εt Gdy INTERESUJE NAS, CZY β1 > b1 (lub np. β1 > b ∧ β2 > b2 ): w podej±ciu klasycznym: sprawdzamy, czy nierówno±¢ speªniona punktowo oraz czy punkt b1 (lub (b1 , b2 )) znajduje si¦ poza przedziaªem (elips¡) ufno±ci w podej±ciu bayesowskim: mo»emy wyznaczy¢ prawdopodobie«stwo a posteriori speªnienia nierówno±ci i odpowiedni iloraz szans a posteriori Gdy WIEMY, »e β1 > b1 : w podej±ciu klasycznym: pozostaj¡ nam nieliniowe transformacje parametrów, które wymuszaj¡ speªnienie nierówno±ci, ale równocze±nie nastr¦czaj¡ trudno±ci numerycznych i utrudniaj¡ wnioskowanie statystyczne w podej±ciu bayesowskim: mo»emy uwzgl¦dni¢ nierówno±¢ jako informacj¦ a priori 4 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Plan prezentacji 1 Wprowadzenie 2 Porównanie modeli: restrykcje w postaci nierówno±ci 3 Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci 5 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Iloraz szans a posteriori Rozwa»my model regresji liniowej: yt = xt β + εt Rozwa»amy zestaw J restrykcji liniowych w postaci nierówno±ci: R β ≥ r gdzie: β k×1 , R J×k , r J×1 , r (R ) = J . Rozwa»my dwa konkurencyjne modele: M1 : model pierwszy ze speªnionym zestawem restrykcji Rβ ≥ r M2 : model drugi, w którym przynajmniej jedna restrykcja nie jest speªniona Iloraz szans a posteriori: PO12 = P(M1 |y ) P(M2 |y ) = p(R β≥r |y ) 1−p(R β≥r |y ) 6 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Iloraz szans a posteriori Rozwa»my model regresji liniowej: yt = xt β + εt Rozwa»amy zestaw J restrykcji liniowych w postaci nierówno±ci: R β ≥ r gdzie: β k×1 , R J×k , r J×1 , r (R ) = J . Rozwa»my dwa konkurencyjne modele: M1 : model pierwszy ze speªnionym zestawem restrykcji Rβ ≥ r M2 : model drugi, w którym przynajmniej jedna restrykcja nie jest speªniona Iloraz szans a posteriori: PO12 = P(M1 |y ) P(M2 |y ) = p(R β≥r |y ) 1−p(R β≥r |y ) 6 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Iloraz szans a posteriori Rozwa»my model regresji liniowej: yt = xt β + εt Rozwa»amy zestaw J restrykcji liniowych w postaci nierówno±ci: R β ≥ r gdzie: β k×1 , R J×k , r J×1 , r (R ) = J . Rozwa»my dwa konkurencyjne modele: M1 : model pierwszy ze speªnionym zestawem restrykcji Rβ ≥ r M2 : model drugi, w którym przynajmniej jedna restrykcja nie jest speªniona Iloraz szans a posteriori: PO12 = P(M1 |y ) P(M2 |y ) = p(R β≥r |y ) 1−p(R β≥r |y ) 6 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Iloraz szans a posteriori Rozwa»my model regresji liniowej: yt = xt β + εt Rozwa»amy zestaw J restrykcji liniowych w postaci nierówno±ci: R β ≥ r gdzie: β k×1 , R J×k , r J×1 , r (R ) = J . Rozwa»my dwa konkurencyjne modele: M1 : model pierwszy ze speªnionym zestawem restrykcji Rβ ≥ r M2 : model drugi, w którym przynajmniej jedna restrykcja nie jest speªniona Iloraz szans a posteriori: PO12 = P(M1 |y ) P(M2 |y ) = p(R β≥r |y ) 1−p(R β≥r |y ) 6 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Prawdopodobie«stwo restrykcji w modelu N-G Wiemy, »e w modelu N-G wektor β ma wielowymiarowy rozkªad t β, s 2 U , v . Za pomoc¡ odpowiedniego twierdzenia ªatwo ustali¢ rozkªad wektora R β . Twierdzenie Je»eli β k×1 ∼ t β, s 2 U , v , a macierz (R β)J×1 ∼ t R β, s 2 RUR T , v R J×k jest nielosowa, to Wówczas p (R β ≥ r |y ) mo»na ªatwo wyznaczy¢ korzystaj¡c z powy»szego rozkªadu t. 7 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Zadanie Wró¢my do modelu popytu na benzyn¦ (zaj¦cia 4). Wyznaczmy ilorazy szans a posteriori dla modelu bez restrykcji i modelu, w którym: 1 2 3 elastyczno±¢ cenowa popytu jest ujemna; elastyczno±¢ cenowa popytu dla obu dóbr komplementarnych (nowe i u»ywane samochody) jest ujemna; wszystkie elastyczno±ci cenowe s¡ ujemne, a elastyczno±¢ dochodowa dodatnia. 8 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Zadanie - wskazówka Dystrybuanta rozkªadu t: pmvt β1 < 0, β2 < 0, β 3 < 0, β4> 0: 1 β1 1 β2 < 1 β3 −1 β4 0 0 0 0 9 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Plan prezentacji 1 Wprowadzenie 2 Porównanie modeli: restrykcje w postaci nierówno±ci 3 Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci 10 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Autorzy Niniejszy materiaª opracowano na podstawie tekstu autorstwa mgra Bartosza Olesi«skiego... ...oraz bazy danych autorstwa Macieja Iwi«skiego. 11 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Przykªad Rozwa»amy model hedoniczny wyceny samochodów marki BMW. Logarytm ceny zostanie uzale»niony od nast¦puj¡cych zmiennych: rok produkcji (produkcja); moc silnika (moc, jako ln); przebieg (przebieg, jako ln); fakt, »e samochód jest bezwypadkowy (bezwypadkowy, zmienna binarna); fakt, »e samochód sprzedawany przez pierwszego wªa±ciciela (wlasciciel, zmienna binarna); rodzaj paliwa (paliwo: 1 je»eli diesel, zmienna binarna); automatyczna skrzynia biegów (skrzynia: 1 je»eli wyst¦puje, zmienna binarna). 12 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza metodami klasycznymi Importujemy zbiór danych. W jaki sposób poszczególne zmienne powinny si¦ co do kierunku przekªada¢ na cen¦ pojazdu? Szacujemy parametry równania regresji liniowej za pomoc¡ KMNK. Czy wyniki estymacji koresponduj¡ ze sformuªowanymi wcze±niej hipotezami? 13 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady Zmienna produkcja moc przebieg bezwypadkowy wlasciciel paliwo skrzynia staªa precyzja a priori (1) Parametr Wiedza a priori G¦sto±¢ a priori β1 β2 β3 β4 β5 β6 β7 β0 h >0 >0 <0 >0 >0 >0 >0 >0 IR + IR + IR − IR + IR + IR + IR + IR gamma 14 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady a priori (2) Wiedza o znakach parametrów chcemy traktowa¢ jako jedyn¡ informacj¦ a priori. Ma ona zast¡pi¢, a nie uzupeªni¢ wiedz¦ a priori, któr¡ mieli±my pracuj¡c z rozkªadem N-G, tj. wielowymiarowy rozkªad normalny a priori. a Warto zaznaczy¢, »e w modelu N-G skrajnie nieinformacyjny rozkªad priori przyjmuje posta¢: p (β, h) ∝ 1 h h ∈ R +, β ∈ R k , Sk¡d to wiemy? a priori z zerow¡ liczebno±ci¡ hipotetycznej + k = 0), tym samym zerow¡ sum¡ kwadratów oraz U → ∞ (niesko«czenie wysoka wariancja a Rozwa»my rozkªad pierwszej próby (v reszt (v s priori i 2 = 0) U −1 → 0). Ze wzorów z wykªadu 4 wiemy, »e w takim ukªadzie −1 T 2 2 = , v̄ = N oraz v s = v̂ ŝ . U X X Wówczas β β̄ = β̂ , pozostaje bez znaczenia, a powy»sze wyniki mo»na uzyska¢, mno»¡c g¦sto±¢ próbkow¡ wªa±nie przez g¦sto±¢ 1 proporcjonaln¡ do h : h p (β, h) ∝ exp − 2h β − β T U −1 β−β i h a priori 2 −1 exp v +k − 2h v s 2 15 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady a priori (2) Wiedza o znakach parametrów chcemy traktowa¢ jako jedyn¡ informacj¦ a priori. Ma ona zast¡pi¢, a nie uzupeªni¢ wiedz¦ a priori, któr¡ mieli±my pracuj¡c z rozkªadem N-G, tj. wielowymiarowy rozkªad normalny a priori. a Warto zaznaczy¢, »e w modelu N-G skrajnie nieinformacyjny rozkªad priori przyjmuje posta¢: p (β, h) ∝ 1 h h ∈ R +, β ∈ R k , Sk¡d to wiemy? a priori z zerow¡ liczebno±ci¡ hipotetycznej + k = 0), tym samym zerow¡ sum¡ kwadratów oraz U → ∞ (niesko«czenie wysoka wariancja a Rozwa»my rozkªad pierwszej próby (v reszt (v s priori i 2 = 0) U −1 → 0). Ze wzorów z wykªadu 4 wiemy, »e w takim ukªadzie −1 T 2 2 = , v̄ = N oraz v s = v̂ ŝ . U X X Wówczas β β̄ = β̂ , pozostaje bez znaczenia, a powy»sze wyniki mo»na uzyska¢, mno»¡c g¦sto±¢ próbkow¡ wªa±nie przez g¦sto±¢ 1 proporcjonaln¡ do h : h p (β, h) ∝ exp − 2h β − β T U −1 β−β i h a priori 2 −1 exp v +k − 2h v s 2 15 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady a priori (3) W modelu N-G ze skranie nieinformacyjnym rozkªadem a priori: p (β, h) ∝ h1 , h ∈ R +, β ∈ R k Nasza dodatkowa wiedza o ograniczeniach dla parametrów skutkuje nast¦puj¡c¡ postaci¡ rozkªadu a priori: Niech B = {β ∈ R : β1 , β2 , β4 , β5 , β6 , β7 > 0 β3 < 0} p (β, h) ∝ h1 ·IB , h ∈ R +, β ∈ R k Nast¡piªo zaw¦»enie dziedziny o zbiory, którym w modelu N-G przypisywali±my niezerow¡ g¦sto±¢ a priori. Powtórzenie dotychczasowych rozumowa« w prosty sposób prowadzi do uzyskania wyra»enia proporcjonalnego do g¦sto±ci brzegowej a posteriori dla β : p (β|y ) ∝ ft β|β, s 2 U , v ·IB 16 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady a priori (3) W modelu N-G ze skranie nieinformacyjnym rozkªadem a priori: p (β, h) ∝ h1 , h ∈ R +, β ∈ R k Nasza dodatkowa wiedza o ograniczeniach dla parametrów skutkuje nast¦puj¡c¡ postaci¡ rozkªadu a priori: Niech B = {β ∈ R : β1 , β2 , β4 , β5 , β6 , β7 > 0 β3 < 0} p (β, h) ∝ h1 ·IB , h ∈ R +, β ∈ R k Nast¡piªo zaw¦»enie dziedziny o zbiory, którym w modelu N-G przypisywali±my niezerow¡ g¦sto±¢ a priori. Powtórzenie dotychczasowych rozumowa« w prosty sposób prowadzi do uzyskania wyra»enia proporcjonalnego do g¦sto±ci brzegowej a posteriori dla β : p (β|y ) ∝ ft β|β, s 2 U , v ·IB 16 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Analiza bayesowska rozkªady a priori (3) W modelu N-G ze skranie nieinformacyjnym rozkªadem a priori: p (β, h) ∝ h1 , h ∈ R +, β ∈ R k Nasza dodatkowa wiedza o ograniczeniach dla parametrów skutkuje nast¦puj¡c¡ postaci¡ rozkªadu a priori: Niech B = {β ∈ R : β1 , β2 , β4 , β5 , β6 , β7 > 0 β3 < 0} p (β, h) ∝ h1 ·IB , h ∈ R +, β ∈ R k Nast¡piªo zaw¦»enie dziedziny o zbiory, którym w modelu N-G przypisywali±my niezerow¡ g¦sto±¢ a priori. Powtórzenie dotychczasowych rozumowa« w prosty sposób prowadzi do uzyskania wyra»enia proporcjonalnego do g¦sto±ci brzegowej a posteriori dla β : p (β|y ) ∝ ft β|β, s 2 U , v ·IB 16 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Metody numeryczne Jak dot¡d posªugiwali±my si¦ wyprowadzeniami analitycznymi, aby znale¹¢ np. warto±¢ oczekiwan¡ lub wariancj¦ parametru a posteriori. Jak ju» wiemy, to mo»liwe w nielicznych przypadkach. W ogólnym przypadku si¦gamy do metod numerycznych, które odwzorowuj¡ S -krotne losowanie wektora parametrów z rozkªadu a posteriori (θ (1) , θ (2) , ..., θ (S) ). Dysponuj¡c takimi wynikami losowania, mo»emy: Naszkicowa¢ histogram. Oszacowa¢ warto±¢ oczekiwan¡ dowolnej funkcji parametrów S P g (θ) jako S1 g θ (s) . s=1 Dzi± poznamy pierwsz¡ z nich: importance sampling. Jest stosunkowo prosta i nadaje si¦ dobrze do rozwa»anego problemu. 17 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Metody numeryczne Jak dot¡d posªugiwali±my si¦ wyprowadzeniami analitycznymi, aby znale¹¢ np. warto±¢ oczekiwan¡ lub wariancj¦ parametru a posteriori. Jak ju» wiemy, to mo»liwe w nielicznych przypadkach. W ogólnym przypadku si¦gamy do metod numerycznych, które odwzorowuj¡ S -krotne losowanie wektora parametrów z rozkªadu a posteriori (θ (1) , θ (2) , ..., θ (S) ). Dysponuj¡c takimi wynikami losowania, mo»emy: Naszkicowa¢ histogram. Oszacowa¢ warto±¢ oczekiwan¡ dowolnej funkcji parametrów S P g (θ) jako S1 g θ (s) . s=1 Dzi± poznamy pierwsz¡ z nich: importance sampling. Jest stosunkowo prosta i nadaje si¦ dobrze do rozwa»anego problemu. 17 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Metody numeryczne Jak dot¡d posªugiwali±my si¦ wyprowadzeniami analitycznymi, aby znale¹¢ np. warto±¢ oczekiwan¡ lub wariancj¦ parametru a posteriori. Jak ju» wiemy, to mo»liwe w nielicznych przypadkach. W ogólnym przypadku si¦gamy do metod numerycznych, które odwzorowuj¡ S -krotne losowanie wektora parametrów z rozkªadu a posteriori (θ (1) , θ (2) , ..., θ (S) ). Dysponuj¡c takimi wynikami losowania, mo»emy: Naszkicowa¢ histogram. Oszacowa¢ warto±¢ oczekiwan¡ dowolnej funkcji parametrów S P g (θ) jako S1 g θ (s) . s=1 Dzi± poznamy pierwsz¡ z nich: importance sampling. Jest stosunkowo prosta i nadaje si¦ dobrze do rozwa»anego problemu. 17 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Importance sampling Twierdzenie: importance sampling Niech q (θ) oznacza znan¡ funkcj¦ g¦sto±ci, z której mo»emy losowa¢ S -krotnie wektor θ (θ (1) , θ (2) , ..., θ (S) ), i której dziedzina zawiera dziedzin¦ nieznanej funkcji g¦sto±ci a posteriori p (θ|y ). Wówczas istnieje funkcja S P p θ=θ(s) |y w (θ (s) )g (θ (s) ) ( ) (s) gdzie w θ = ĝS = s=1 P S q (θ=θ (s) )| (s) w (θ ) s=1 zbiegaj¡ca do warto±ci oczekiwanej a posteriori g (θ) wraz ze wzrostem S . W teorii: metoda bardzo uniwersalna. W praktyce: trudna do stosowania, gdy» daje sensowne wyniki jedynie w przypadku, gdy q (θ) stanowi pewne przybli»enie p (θ|y ). 18 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Zastosowanie importance sampling (1) Niech q(β (s) ) = ft β (s) |β, s 2 U , v , czyli funkcja q b¦dzie g¦sto±ci¡ brzegow¡ a posteriori wektora β w modelu N-G ze skrajnie nieinformacyjnym rozkªadem a posteriori. Dla ka»dego wyniku losowania (s) mo»liwe s¡ wówczas dwa przypadki: p (β (s) |y ) ft (β (s) |β,s 2 U ,v )·IB w β (s) = = = (s) q (β ( ft (β (s) |β,s 2 U ,v ) ) 1 dla β (s) ∈ B = IB = 0 dla β (s) ∈ /B Oznacza to, »e licz¡c warto±¢ oczekiwan¡ i wariancj¦ a posteriori powinni±my u±redni¢ wszystkie wyniki losowania, które speªniaj¡ narzucone restrykcje (tzn. nale»¡ do zbioru B ), a pozostaªe przypadki odrzuci¢. 19 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Zastosowanie importance sampling (2) Oznacza to równie», »e funkcja g¦sto±ci a posteriori jest modykacj¡ jej odpowiednika w modelu N-G, z nast¦puj¡cymi ró»nicami: jej dziedzin¡ jest zbiór B , g¦sto±¢ jest przeskalowana w taki sposób, by caªkowa¢ si¦ do 1 1 (staª¡ skaluj¡c¡ mo»emy wyznaczy¢ jako p(R β≥ r |y ) lub oszacowa¢ jako odwrotno±¢ odsetka wylosowanych obserwacji nale»¡cych do B ). 20 / 21 Wprowadzenie Porównanie modeli: restrykcje w postaci nierówno±ci Estymacja z uwzgl¦dnieniem restrykcji w postaci nierówno±ci Zadania domowe 1. Zaproponuj post¦powanie sprawdzaj¡ce, który z modeli regresji liniowej: klasyczny z parametrami oszacowanymi KMNK czy bayesowski z restrykcjami a priori naªo»onymi na znaki lepiej prognozuje ceny BMW. 2. Przeprowad¹ analiz¦ bayesowsk¡ modelu popytu na paliwa z uzasadnionymi ekonomicznie restrykcjami nierówno±ciowymi naªo»onymi a priori. 21 / 21