| Lehrinhalte |
Grundbegriffe: Satz von Bayes, Priori und Posteriori Verteilung, konjugierte Analyse
Bayes Inferenz: Punkt-und Intervallschätzung, Testen, Modellwahl (marginale Likelihood, Bayes Faktor), Vorhersage, Posterior prädiktive Modellüberprüfung, Asymptotik
Priori-Verteilungen: natürlich konjugierte Priori-Verteilungen in Exponentialfamilien, uneigentliche Priori-Verteilungen, Jeffrey's Priori-Verteilung
MCMC Verfahren: Metropolis Hastings Algorithmus, Gibbs sampling, Datenerweiterung
Bayes Analyse in speziellen Modellen: lineares Regressionsmodell, Logit und ordinal logit Modell; finite Mischungsmodelle, Modelle mit zufälligen Effekten
|
