Л. Н. Слуцкин APPLIED ECONOMETRICS / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА Прикладная эконометрика, 2015, 40 (4), с. <...> Слуцкин1 Определение априорного распределения в байесовском анализе основанное на минимизации информационной метрики В статье предлагается формальное правило, основанное на минимизации информационной метрики Кульбака–Лейблера, для определения априорного распределения при наличии информации, полученной из предыдущих наблюдений. <...> В отличие от обычных предположений в эмпирическом байесовском анализе, в данной работе не требуется независимость параметров, рассматриваемых как случайные величины, соответствующие различным наблюдениям. <...> Показано, что в случае, когда наблюдения, зависящие от параметра, и сам параметр распределены по нормальному закону, предлагаемое правило приводит к ML–II априорному распределению. <...> Однако в случае регрессионного уравнения коэффициенты регрессии, полученные методом минимизации метрики Кульбака–Лейблера, отличаются от оценок, полученных при ML–II подходе. <...> Также показано, что для нормальных распределений метрика Кульбака–Лейблера достигает асимптотически единственного минимума на истинном априорном распределении. <...> Ключевые слова: априорные распределения; байесовская методология; информационная метрика Кульбака–Лейблера; регрессионный анализ. <...> Байесовская методология Р ассмотрим зависящее от параметра многомерное распределение с известной плотностью ( ,)fX , где XR вектор ненаблюдаемых параметров. <...> В то время как классическая теория считает набором m фиксированных чисел, при байесовском анализе2 — наблюдаемая многомерная величина, а R — предполагается, что являn m ется случайным вектором. <...> При этом байесовская теория стоит на позиции исследователя, который до начала эксперимента субъективно оценил неопределенность своих знаний относительно через некоторую, называемую априорной, вероятностную плотность ()p . <...> 2 Основы байесовского анализа можно найти <...>