Título inglés |
Model selection with vague prior information |
Autor/es |
Moreno, Elias ; Girón, F. Javier ; Martínez, M. Lina |
Revista |
1137-2141 |
Publicación |
1998, 92 (4): 289-298 |
Tipo de documento |
articulo |
Idioma |
Inglés |
Resumen español |
En el enfoque bayesiano el factor de Bayes es la herramienta
principal para la selección de modelos y para el
contraste de hipótesis. Cuando la información a priori es
escasa, generalmente 'se suelen utilizar distribuciones impropias,
pero desafortunadamente, en este caso, el factor
de Bayes queda definido salvo una constante multiplicativa.
En este artículo se pasa revista a algunas de las recientes metodologías, a saber intrínseca y fraccional, para solventar
el problema de la utilización de distribuciones a
priori impropias en los problemas de selección de modelos
y contraste de hipótesis, que sin embargo ya son habituales
en la práctica. Se presta atención especial a los métodos
intrínseco y fraccional, como herramientas diseñadas para
proporcionar distribuciones a priori propias con las que
calcular el factor de Bayes.
Lo anterior se ilustra con ejemplos de problemas de
contraste de hipótesis, en particular con el problema de
Behrens-Fisher. |
Resumen inglés |
In the Bayesian approach, the Bayes factor is the main
tool for model selection and hypothesis testing. When prior
information is weak, "default" or "automatic" priors,
which are typicaIly improper, are commonly used but,
unfortunately, the Bayes factor is defined up to a multiplicative
constant.
In this paper we revise some recent but already popular
methodologies, intrinsic and lractional, to deal with improper
priors in model selection and hypothesis testing.
Special attention is paid to the intrinsic and fractional
methods as tools devised to produce proper priors to compute actual Bayes factors.
Sorne illustration to hypothesis testing problems with
more than one population are given, in particular the Behrens-
Fisher problem is considered. |
Acceso al artículo completo |