Bayesian analysis for mixtures of discrete distributions with a non-parametric component
Bayesian analysis for mixtures of discrete distributions with a non-parametric component
复制标题
具有非参数分量的离散分布混合的贝叶斯分析
DOI：
10.1080/02664763.2015.1100594
复制
发表时间：
2015
影响因子：
1.5
通讯作者：
Alhaji B
中科院分区：
文献类型：
--
作者：
Alhaji B
贝叶斯有限混合模型是一种灵活的参数建模方法，用于分类和密度拟合。许多应用领域需要区分信号和噪声成分。在实践中，通常很难证明信号分量的特定分布;因此，信号分布通常通过混合分布进一步建模。然而，建模thesignalas的混合物的分布是计算上不平凡的，由于难以证明的确切数量的组件被使用，并由于标签切换问题。本文提出了使用非参数分布来模拟信号分量。我们考虑离散数据的情况下，并显示这种新的方法如何导致更准确的参数估计和更小的错误的非发现率。此外，它不会引起标签切换问题。我们展示了该方法在ChIP测序实验所产生的数据中的应用。
Bayesian finite mixture modelling is a flexible parametric modelling approach for classification and density fitting. Many areas of application require distinguishing asignalfrom anoisecomponent. In practice, it is often difficult to justify a specific distribution for thesignalcomponent; therefore, thesignaldistribution is usually further modelled via a mixture of distributions. However, modelling thesignalas a mixture of distributions is computationally non-trivial due to the difficulties in justifying the exact number of components to be used and due to the label switching problem. This paper proposes the use of a non-parametric distribution to model thesignalcomponent. We consider the case of discrete data and show how this new methodology leads to more accurate parameter estimation and smaller false non-discovery rate. Moreover, it does not incur the label switching problem. We show an application of the method to data generated by ChIP-sequencing experiments.
贝叶斯混合模型中的标签切换：确定性重新标记策略
DOI：
--
发表时间：
2014
期刊：
影响因子：
--
作者：
Carlos E. Rodríguez;S. Walker
通讯作者：
S. Walker
影响因子：
3
作者：
Spyrou C;Stark R;Lynch AG;Tavaré S
通讯作者：
Tavaré S
影响因子：
2.2
作者：
Nobile, Agostino;Fearnside, Alastair T.
通讯作者：
Fearnside, Alastair T.