dc.contributor.author | Grzenda, Wioletta | |
dc.date.accessioned | 2015-06-22T10:01:21Z | |
dc.date.available | 2015-06-22T10:01:21Z | |
dc.date.issued | 2013 | |
dc.identifier.issn | 0208-6018 | |
dc.identifier.uri | http://hdl.handle.net/11089/10050 | |
dc.description.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. | pl_PL |
dc.description.abstract | 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. | pl_PL |
dc.language.iso | en | pl_PL |
dc.publisher | Wydawnictwo Uniwersytetu Łódzkiego | pl_PL |
dc.relation.ispartofseries | Acta Universitatis Lodziensis. Folia Oeconomica;285 | |
dc.subject | survival parametric models | pl_PL |
dc.subject | Bayesian inference | pl_PL |
dc.subject | prior distribution | pl_PL |
dc.subject | MCMC method | pl_PL |
dc.subject | unemployment | pl_PL |
dc.title | The Significance of Prior Information in Bayesian Parametric Survival Models | pl_PL |
dc.title.alternative | Znaczenie informacji a priori w bayesowskich parametrycznych modelach przeżycia | pl_PL |
dc.type | Article | pl_PL |
dc.page.number | [31]-38 | pl_PL |
dc.contributor.authorAffiliation | Warsaw School of Economics, Institute of Statistics and Demography | pl_PL |
dc.references | Blossfeld H.P., Rohwer G. (1995), Techniques of event history modeling, New approaches to causal analysis, Hillsdale, NJ: L. Erlbaum | pl_PL |
dc.references | Casella G., George E.I. (1992), Explaining the Gibbs sampler, The American Statistician, 46, 167–74 | pl_PL |
dc.references | Drobnič S., Frątczak E. (2001), Employment patterns of married women in Poland, Careers of couples in contemporary society, New York | pl_PL |
dc.references | Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian data analysis, Chapman & Hall/CRC, London | pl_PL |
dc.references | Geweke J. (1992), Evaluating the accuracy of sampling-based approaches to calculating posterior moments. In Bernardo J., Berger J., Dawiv A., Smith A., Bayesian Statistics, 4, 169–193 | pl_PL |
dc.references | Grzenda W. (2011), Bayesian exponential survival model in analysis of unemployment duration determinants, Acta Universitatis Lodziensis, Folia Oeconomica, (Przyjęte do publikacji) | pl_PL |
dc.references | Ibrahim J.G., Chen M-H, Sinha D. (2001), Bayesian survival analysis, Springer-Verlag, New York | pl_PL |
dc.references | Kim S.W., Ibrahim J.G. (2000), On Bayesian Inference for Parametric Proportional Hazards Models Using Noninformative Priors, Lifetime Data Analysis, 6, 331–341 | pl_PL |
dc.references | Silvey S. D. (1978), Wnioskowanie statystyczne, PWN, Warszawa | pl_PL |
dc.references | Szreder M. (1994), Informacje a priori w klasycznej i bayesowskiej estymacji modeli regresji, Uniwersytet Gdański, Gdańsk | pl_PL |