Как вы рассчитываете соответствующий априор, если у вас есть ошибка измерения прибора? Этот абзац взят из книги Кресси «Статистика пространственно-временных данных»:
Часто бывает так, что имеется некоторая предварительная информация, касающаяся дисперсии ошибки измерения, что позволяет указать довольно информативную модель параметров. Например, если мы предполагаем условно независимые ошибки измерения, например, , то мы должны указать информативный априор для . Скажем , мы были заинтересованы в температуре окружающего воздуха, и мы увидели , что спецификации изготовителя прибора указаны «ошибка» в . Предполагая, что эта «ошибка» соответствует 2 стандартным отклонениям (предположение, которое следует проверить!), Мы можем затем указать \ sigma _ {\ epsilon} ^ {2}, чтобы иметь предварительное среднее значение (0,1 / 2) ^ 2 = 0,0025σ 2 ϵ ± 0,1 ° C σ 2 ϵ ( 0,1 / 2 ) 2 = 0,0025, В соответствии со спецификацией производителя инструмента мы предположили бы распределение, которое имело четко определенный и довольно узкий пик в 0,0025 (например, обратная гамма). На самом деле, мы могли бы просто исправить на 0,0025; однако ошибка модели данных может иметь и другие компоненты неопределенности (раздел 7.1). Чтобы избежать возможных проблем идентификации с ошибкой модели процесса, очень важно, чтобы разработчики моделей уменьшали неопределенность настолько, насколько позволяет наука, включая проведение дополнительных исследований, предназначенных для дублирования данных.
Кто-нибудь знает, какова общая процедура получения значений априора, как описано выше (хотя параграф относится только к получению априорного среднего)?
источник