jingju11 发表于 2010-6-4 20:48
4# 爱萌

同意。MCMC(proc mcmc 用的是其中之一的random walk Metropolis algorithm ) 是sampling posterior (in Bayesian) 的机制和方法。同样的sampling， 在proc genmod ， phreg等等里的结果并非完全一致，因为其sampling方法有差异。但是总是大同小异。
引申开来，在行业中某些人非常看重P=0.049 和p = 0.051 的区别。其实挺令人难以理解的。在bayesian 方法中，或许只是因为不同的sampling而导致置信区域是否包含0值。在学习Bayesian的过程中，你可以感到概率的beauty，但是这一点在经典统计学之中却越来越少见了。

zhentao 发表于 2010-6-5 09:41

jingju11 发表于 2010-6-4 20:48
4# 爱萌

同意。MCMC(proc mcmc 用的是其中之一的random walk Metropolis algorithm ) 是sampling posterior (in Bayesian) 的机制和方法。同样的sampling， 在proc genmod ， phreg等等里的结果并非完全一致，因为其sampling方法有差异。但是总是大同小异。
引申开来，在行业中某些人非常看重P=0.049 和p = 0.051 的区别。其实挺令人难以理解的。在bayesian 方法中，或许只是因为不同的sampling而导致置信区域是否包含0值。在学习Bayesian的过程中，你可以感到概率的beauty，但是这一点在经典统计学之中却越来越少见了。

这个倒是不见得吧。随着计算机能力的提高，Bayesian也重新焕发青春。Journal of Econometrics及其他顶尖杂志的Bayesian有关的论文数量就可以看出来。我倒是Bayesian的崇拜者，和我的导师正好相反。

zhentao 发表于 2010-6-5 09:41

jingju11 发表于 2010-6-4 20:48
4# 爱萌

同意。MCMC(proc mcmc 用的是其中之一的random walk Metropolis algorithm ) 是sampling posterior (in Bayesian) 的机制和方法。同样的sampling， 在proc genmod ， phreg等等里的结果并非完全一致，因为其sampling方法有差异。但是总是大同小异。
引申开来，在行业中某些人非常看重P=0.049 和p = 0.051 的区别。其实挺令人难以理解的。在bayesian 方法中，或许只是因为不同的sampling而导致置信区域是否包含0值。在学习Bayesian的过程中，你可以感到概率的beauty，但是这一点在经典统计学之中却越来越少见了。

这个倒是不见得吧。随着计算机能力的提高，Bayesian也重新焕发青春。Journal of Econometrics及其他顶尖杂志的Bayesian有关的论文数量就可以看出来。我倒是Bayesian的崇拜者，和我的导师正好相反。