podcast.de
Anmeldung
Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Mathematik, Informatik und Statistik - Open Access LMU - Teil 01/03 Podcast
  4. On block updating in Markov random field models for disease mapping. (REVISED, May 2001)
Gaussian Markov random field (GMRF) models are commonly used to
model spatial correlation in disease mapping applications. For
Bayesian inference by MCMC, so far mainly single-site updating
algorithms have been considered. However, convergence and mixing
properties of such algorithms can be extremely bad due to strong
dependencies of parameters in the posterior distribution. In this
paper, we propose various block sampling algorithms in order to
improve the MCMC performance. The methodology is rather general,
allows for non-standard full conditionals, and can be applied in a
modular fashion in a large number of different scenarios. For
illustration we consider three different models: two formulations
for spatial modelling of a single disease (with and without
additional unstructured parameters respectively), and one
formulation for the joint analysis of two diseases. We apply the
proposed algorithms to two datasets known from the literature. The
results indicate that the largest benefits are obtained if
parameters and the corresponding hyperparameter are updated jointly
in one large block. In certain situations, even updating of all or
nearly all parameters in one block may be necessary. Implementation
of such block algorithms is surprisingly easy using methods for
fast sampling of Gaussian Markov random fields (Rue, 2000). By
comparison, estimates of the relative risk and related quantities,
such as the posterior probability of an exceedence relative risk,
based on single-site updating, can be rather misleading, even for
very long runs. Our results may have wider relevance for efficient
MCMC simulation in hierarchical models with Markov random field
components.

Weitere Episoden

Quantifying overdispersion effects in count regression data

Quantifying overdispersion effects in count regression data

vor 24 Jahren
Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

vor 24 Jahren
Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

vor 24 Jahren
Parametric and Nonparametric Regression with Missing X's - A Review

Parametric and Nonparametric Regression with Missing X's - A Review

vor 24 Jahren
A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

vor 24 Jahren
Alle Episoden anzeigen
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Episode melden

„On block updating in Markov random field models for disease mapping. (REVISED, May 2001)“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz