Tilastotiede
Tilastollinenpäättely 2 28.11.2014
1. Osoita, että Metropolis-Hastings-algoritmituottaaMarkovin ketjun, jonkastationaari-
nen jakauma on
p(x)
(vrt. luentodiat, s.98).2. EstimoivalonnopeusNewomb-aineistonavullakäyttäenjakaumanat-jakaumaa,jonka
vapausastelukuon tuntematon. Tee mallintarkistuksia testisuureiden avulla.
3. Tarkastellaanhierarkista mallia aineistolle,jossa on J ryhmää ja niissä kussakin I ha-
vaintoa.(Esim.JkoulustavalitaankustakinI oppilastajatehdään heillekoulusuoritus-
testi). Merkitään
j
. kouluni
. havaintoaY ij ja oletetaan, että {Y ij |θ j , τ 1 } ∼ N (θ j , τ 1 − 1 )
ja
{θ j |µ, τ 2 } ∼ N (µ, τ 2 − 1 )
. Oletetaan parametreilleµ
,τ 1 ja τ 2 riippumattomatpriorija-
kaumatµ ∼ N (µ 0 , τ 0 − 1 )
,τ 1 ∼ Γ(α 1 , β 1 )
ja τ 2 ∼ Γ(α 2 , β 2 )
.
µ ∼ N (µ 0 , τ 0 − 1 )
,τ 1 ∼ Γ(α 1 , β 1 )
jaτ 2 ∼ Γ(α 2 , β 2 )
.(a) KirjoitaJAGS-koodimallin estimoimiseksi
(b)Estimoimallikäyttäenallaolevaaaineistoasekäkymmentä1000posterioirisimuloin-
ninketjua.TarkistasuppeneminenkäyttäenaikasarjakuvioitasekäGelmaninjaRubinin
diagnostiikkoja.
(1)3.1, -0.7, 15.0, -1.0, 0.2 (2) 14.9, -4.5,7.8, -19.1,-8.9
(3)4.1, -1.2, 14.9, -1.4, 1.9 (4) 6.8, 7.5, 8.7, 4.6, 1.3
() Estimoi vielä lisäksi malli, joissa ryhmien välillä ei ole vaihteluja (
θ j = θ, j = 1, ..., J
) sekä ei-hierarkinen malli, jossaθ i:t ovat riippumattomia (τ 2 = 0
). Määritä
kaikillemalleille
D ¯
,p D ja DIC, sekä näidenavullaparas malli.
4. Hae aineisto,jossa onannettu kangasrullien pituudet ja vikojen lukumäärät:
data<-read.table("http://www.stat.olumbia.edu/ gelman/book/data/fabri.as",
skip=4,header=TRUE)
Estimoi JAGS:lla seuraavatmallit:1) Tavallinen Poissonin regressiolog-linkillä.2)Ta-
vallinen Poissonin malli,jossa vikojen lukumäärän odotusarvo on suoraan verrannolli-
nen rullan pituuteen.3) Poissoninregressio log-linkillä,kunotetaanylihajonta(rullien
välinenvaihtelu)huomioon. 4)Yleistettylineaarinenmallilog-linkilläkäyttäennegatii-
vista binomijakaumaa.Vertaile mallienhyvyyttä suureiden
D ¯
,p D ja DIC avulla.
5. Dobson (1983) analysoi binomiaalista annos-vaste-dataa, joka sisältää kuolleiden ko-
vakuoriasten lukumäärät, sen jälkeen kun ne on altistettu 5 tunniksi hiilidisuldille
(rikkihiilelle)
n = 8
eri konsentraatiolla,ks. aineisto http://mathstat.helsinki./openbugs/Examples/Beetles.htmla) Estimoi binomiaalinen regressiomalli, jossa kuoleman todennäköisyyttä selitetään
konsentraation avulla, käyttäen logit-, probit- ja komplementääristä log-log-linkkiä.
Koskaposteriorijakaumassaonvoimakaskorrelaatioparametrienvälillä,kannattaakäyt-
tää selittäjänäkeskistettyä muuttujaa x[j℄-mean(x[℄).
b) Vertaa mallejasuureiden
D ¯
ja DIC avulla.) Piirräkussakin tapauksessa annos-vaste-käyräennusteväleineen ja raakaestimaattei-
neen