Skewed generalizations of the normal distribution have been a topic of great interest in the statistics community due to their diverse applications across several domains. One of the most popular skew normal distributions, due to its intuitive appeal, is the Azzalini's skew normal distribution. However, due to the nature of the distribution it suffers from serious inferential problems. Interestingly, the Bayesian approach has been shown to mitigate these issues. Recently, another skew normal distribution, the Geometric skew normal distribution, which is structurally different from Azzalini's skew normal distribution, has been proposed as an alternative for modelling skewed data. Despite the interest in skew normal distributions, a limited number of articles deal with comparing the performance of different skew distributions, especially in the Bayesian context. To address this gap, the article attempts to compare these two skew normal distributions in the Bayesian paradigm for modelling data with varied skewness. The posterior estimates of the parameters of the geometric skew normal distribution are obtained using a hybrid Gibbs-Metropolis algorithm and the posterior predictive fit to the data is also obtained. Similarly, for the Azzalini's skew normal distribution, the posterior predictive fit are derived using a Gibbs sampling algorithm. To compare the performance, Kolmogorov-Smirnov distance between the posterior predictive distribution and original data is utilised to measure the goodness of fit for both the models. An assortment of real and simulated data sets, with a wide range of skewness, are analyzed using both the models and the advantages as well as disadvantages of the two models are also discussed. Finally, a much faster Variational Bayes method for approximating the posterior distribution of the geometric skew normal model is proposed and its performance is discussed.


翻译:正常分布偏斜的概略性是统计界非常感兴趣的话题, 因为它在多个域的应用多种多样。 最受欢迎的正正正正分布之一, 由于其直观的吸引力, 是 Azzalini 的正正正分布。 但是, 由于其分布的性质, 存在严重的推论问题。 有趣的是, 巴伊西亚的策略已经显示出来缓解这些问题。 最近, 另一个扭曲正常分布, 与 Azzalini 的 skew 正常分布在结构上不同, 被提议作为模拟扭曲数据的替代方法。 尽管对 Azzalini 的正正正正态分布感兴趣, 但数量有限的文章涉及到比较不同正正态分布的性能, 特别是在巴伊西亚的背景。 文章试图比较Bayesian 模型的两种正态分布, 以不同的正向性模式模拟数据, 其原始正向正向正向正向的正向正向正向的正向的正向值分布。 其正向的正向的正向后, 使用正向的正向的正向的正向的正向性分布, 。 其正向的正向的正向的正向的正向的正向的正向的正向的正向的正向方法是, 。

0
下载
关闭预览

相关内容

强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium7
中国图象图形学学会CSIG
0+阅读 · 2021年11月15日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员