Resumen

Exploramos la inferencia bayesiana de un modelo de regresión lineal multivariante con el uso de una prior flexible para la estructura de covarianza. La configuración bayesiana comúnmente adoptada implica la prior conjugada, una distribución normal multivariante para los coeficientes de regresión y una especificación inversa Wishart para la matriz de covarianza. Aquí nos apartamos de este enfoque y proponemos un nuevo estimador bayesiano para la covarianza. Se considera una prior normal multivariante para los elementos únicos del logaritmo de la matriz de covarianza. Esta estructura permite una clase más amplia de distribuciones previas para la covarianza, con respecto a la fuerza de creencias en hiperparámetros de ubicación previos, así como la capacidad añadida de modelar posibles correlaciones entre la estructura de covarianza. Los momentos posteriores de todos los parámetros relevantes de interés se calculan en función de resultados numéricos a través de un procedimiento de Monte Carlo de cadena de Markov. Se invoca el algoritmo de

• Materias:Refinar preguntas Suma de mezclas Densidad multivariada Variables auxiliares Regresión paramétrica
• Subjects:Refine questions Mixture summation Multivariate density Auxiliary variables Parametric regression
• Palabras claves:Inferencia bayesiana; Modelo de regresión lineal multivariado; Estructura de covarianza; Distribución previa; Distribución normal multivariada previa; Monte Carlo de cadena de Markov
• Keywords:Bayesian inference; Multivariate linear regression model; Covariance structure; Prior distribution; Multivariate normal prior; Markov chain Monte Carlo