贝叶斯潜变量模型的比较：条件 vs 边际似然
摘要：具有潜在变量（或随机效应）的模型的典型贝叶斯方法涉及直接对潜在变量及模型参数进行抽样。在模型定义的高级软件代码中（如BUGS，JAGS，Stan），似然函数的指定是以潜在变量为条件。这可能导致研究人员通过条件似然函数进行模型比较，其中潜在变量被视为模型参数。然而，在其他情况下，典型的模型比较涉及对潜在变量进行积分的边际似然函数。尽管这种区别可能对感兴趣的比较结果产生重大影响，但这种区别通常被忽视。在本文中，我们澄清并说明了这些问题，重点关注条件和边际偏离信息准则（DICs）和渡边明志信息准则（WAICs）在心理测量建模中的比较。条件/边际的区别对应于模型是否应该对数据中的群集进行预测，还是对新的群集进行预测（其中“群集”通常对应于更高级别的单位，如人或学校）。相应地，我们表明边际WAIC对应于留一群集外（LOcO）交叉验证，而条件WAIC对应于留一单元外（LOuO）。这些结果为在具有潜在变量的模型中一般应用这些准则提供了建议。
作者：E. C. Merkle, D. Furr, S. Rabe-Hesketh
论文ID：1802.04452
分类：Computation
分类简称：stat.CO
提交时间：2022-12-12