Динамическое моделирование с помощью динамических моделей группы Спарсе через Параметрические Эмпирические залы и неместные приоры

Статистические данные > Методология [представлена 6 сентября 2026 года] Название: Robust and Sparse Group Dynamic Causal Modeling с помощью Patrime Empirical Bayes и NonPornal PDF View HTML (экспериментальное) Резюме: оценки динамичной причинно-следственной модели (DCM), направленные на эффективное подключение, в то время как параметрическая эмпирическая модель Bays (PEB) поддерживает групповой вывод с использованием тематических апостериорных резюме. Стандартный ПЭБ опирается на гауссианские модели и непрерывный спад, что делает его чувствительным к нетипичным оценкам и не может отличить ничтожное воздействие от нулевого. Мы разрабатываем надежное и ограниченное расширение группы DCM, сочетающее вероятность студента с шип-лабораторией до этого с использованием неместной таблички для моделирования продукта (PMOM). Обычная - гамма-представление распределения студентов-т дает веса, которые понижают вес атипичных предметов-параметров. Скрипка PMOM исчезает на нулевом уровне, уточнив выбор коэффициента и обеспечив вероятность включения. Мы распространяем заднюю неопределенность на первом уровне с помощью кривизны блоков и оцениваем модель с использованием алгоритма ЭМ-REML, который обновляет весы, вероятности включения, эффектов и компонентов вариации. В результате моделирования было установлено, что основной защитой от загрязнения является взвешивание учащихся-т, при этом неместный предшественник в наибольшей степени страдает высокой спарстичностью и их комбинация наиболее…