The Significance of Prior Information in Bayesian Parametric Survival Models

Abstract

The Bayesian approach gives the possibility of using in the research additional information that is external to the sample. The primary objective of this paper is to analyse the impact of the prior information on the posterior distribution in Bayesian parametric survival models. In this work the exponential models and Weibull models with different prior distributions have been estimated and compared. The aim of this research is to investigate the determinants of unemployment duration. The models have been estimated using Markov chain Monte Carlo method with Gibbs sampling.

W pracy przedstawiono parametryczne modele przeżycia w ujęciu bayesowskim. Podejście bayesowskie wymaga zadania rozkładów a priori dla szacowanych parametrów modelu. Rozkład a priori parametru jest rozkładem prawdopodobieństwa, który wyraża całą wiedzę badacza o szacowanym parametrze przed sprawdzeniem aktualnych danych. W literaturze przedmiotu często spotyka się nieinformacyjne rozkłady a priori, które wyrażają brak wstępnej wiedzy badacza o szacowanych parametrach modelu. W celu pokazania znaczenia informacji a priori oraz jej wpływu na rozkład a posteriori oszacowano kilka parametrycznych modeli przeżycia przy różnych rozkładach a priori. Przedmiot badań stanowią determinanty długości czasu pozostawania bez pracy.