Разное

Модель приоры: LADA Priora: ключевые цифры | АВТОСТАТ

Содержание

Лада Приора Хэтчбек (Lada Priora)

Российский автомобильный гигант «АвтоВАЗ» является одним из лидеров на местном рынке. Он поставляет автомобили, которые стали весьма популярными, что позволяет им удерживать лидирующие позиции по продажам, даже несмотря на наличие конкурентов. Модель «Приора», без всякого сомнения, является одним из главных флагманов российского производителя.
Данный автомобиль производится уже достаточно давно, а с учётом его популярности руководством «АвтоВАЗа» было принято решение об обновлении линейки, доработке модели и улучшению её динамических и эксплуатационных характеристик. Теперь можно говорить о том, что ЛАДА Приора хэтчбэк станет продаваться ещё лучше, по крайней мере, сможет сохранить существующие позиции.

Кузов автомобиля и его особенности

Мы имеем дело с пятидверным автомобилем — модель Lada «Priora» 2172, или как её обычно называют автомобилисты — Лада Приора хэтчбэк. Инженеры компании приложили максимум усилий в проектировании внешнего вида, поэтому результат получился вполне достойный. Многие русские машины до этого страдали некоторым аскетизмом в экстерьере, но теперь, наконец, эта тенденция отошла назад. При создании кузова применялись методы компьютерного моделирования и математической обработки, чтобы добиться наилучшей эргономики, лёгкости и управляемости.

Собственно, данное достоинство Лада Приора Хэтчбэк никто оспаривать не собирается. Внешний вид автомобиля действительно находится на высоком уровне, благодаря этому можно говорить о некоем собственном стиле. А в остальном уже дело вкуса — выбирать его или что-то другое. Если говорить о дизайне, как о некоем продукте, то тут также привлекались специалисты из-за рубежа. В частности специалисты из итальянской компании «АЕ», которые помогали проектировать внешний вид.
В новой версии применяется оцинкованный металл для создания кузова, появились противотуманные фары, также установлены немного иные бамперы. В остальном же вид Лада Приора хэтчбэк остался неизменным.

Салон Лада Приора хэтчбэк

Впрочем, вряд ли кто-то будет долго говорить о внешнем виде автомобиля, потому что это самая понятная часть. Гораздо интересней то, что нас поджидает внутри салона. Вот тут «АвтоВАЗ» действительно имеет возможность удивить потребителя. И надо сказать, что энтузиазм инженеров, дизайнеров и проектировщиком действительно впечатляет — количество изменений и нововведений велико.

В стороне не остались современные тенденции, подсмотренные у европейских товарищей, а в некоторых случаях и разработанные самостоятельно, также новейшие технологии, различные опции и оборудование, которое теперь является обычным делом для любого авто.
Автомобилисты получают салон с полноценным климат-контролем, а это уже говорит о многом. В дополнении к этому в новые модели устанавливается бортовой компьютер, позволяющий отслеживать состояние всех систем и управлять ими простыми нажатиями. Таким образом, этого новая «Приора» обзавелась следующими новыми опциями:
• Система ABS;
• Бортовой компьютер;
• Климат контроль;
• Более эргономичные и удобные сиденья.
В целом салон Лада Приора хэтчбэк достаточно эргономичен, практичен и удобен. Дизайнерам и инженерам удалось переработать всё таким образом, что внутри салона увеличилось свободное пространство. Сзади без особого дискомфорта смогут сесть пассажиры, а в багажнике можно перевозить даже достаточно крупные грузы.
Для тех, кому этого будет мало, предусматривается комплектация «Люкс», которая помимо всего вышеперечисленного будет также включать подогрев сидений, обогрев зеркал, задние парктроники, датчики дождя и света, электроподъёмники всех стёкол.
Если суммировать всю информацию, то становится ясно, что масштаб обновления действительно впечатляющий. Теперь по предложенным опциям Лада Приора хэтчбэк ничем не уступает европейским автомобилям данного ценового сегмента. По крайней мере, он теперь соответствует общим стандартам и требования. И это не может не радовать потребителей.
Некоторые старые проблемы, тем не менее, никуда не делись, в частности немного неудобная регулировка положения сидений, руля и т.д.

Двигатель Приоры

Разработчики из «АвтоВАЗа» предлагают клиентам следующую модель:
• Двигатель бензиновый;
• Пятиступенчатая механическая коробка передач;
• Объём 1,6 литра;
• Максимальная скорость 183 км/час;
• Расход топлива порядка 7-7,3 литров на 100 километров.
Т.е. мы можем видеть, что в данном случае ничего особенно не изменилось. «АвтоВАЗ» несколько консервативен в том, что касается двигателя своего детища. Впрочем, такой мотор является вполне достаточным для автомобилей подобного типа, и Лада Приора хэтчбэк не является исключением из этого правила.
Однако многих, наверное, интересует, насколько более надёжным стал мотор. Нельзя сказать, что он был проблемным, но у него имелись некоторые слабые места, которые время от времени давали о себе знать, и которые портили настроение всем автомобилистам. Из-за проблем с газораспределительным механизмом возникали неприятности с ремнём генератора и ГРМ, также в некоторых случаях радиатор давал течь, были и другие небольшие проблемы. Всё это заставляло владельцев «Приоры» регулярно заглядывать под капот, чтобы избежать возможных неприятностей.

Конечно, в будущем, возможно, всё это будет доводить до ума, но хотелось бы, чтобы эта задача была решена в короткий срок, тогда мы получим действительно достойный автомобиль европейского уровня. И к этому необходимо стремиться производителям и тем, кто осуществляет техническую поддержку всей продукции.

Фотографии Лада Приора хэтчбек

Россия напала на Украину!

Россия напала на Украину!

Мы, украинцы, надеемся, что вы уже знаете об этом. Ради ваших детей и какой-либо надежды на свет в конце этого ада –  пожалуйста, дочитайте наше письмо .

Всем нам, украинцам, россиянам и всему миру правительство России врало последние два месяца. Нам говорили, что войска на границе “проходят учения”, что “Россия никого не собирается захватывать”, “их уже отводят”, а мирное население Украины “просто смотрит пропаганду”. Мы очень хотели верить вам.

Но в ночь на 24-ое февраля Россия напала на Украину, и все самые худшие предсказания  стали нашей реальностью .

Киев, ул. Кошица 7а. 25.02.2022

 Это не 1941, это сегодня. Это сейчас. 
Больше 5 000русских солдат убито в не своей и никому не нужной войне
Более 300мирных украинских жителей погибли
Более 2 000мирных людей ранено

Под Киевом горит нефтебаза – утро 27 февраля, 2022.

Нам искренне больно от ваших постов в соцсетях о том, что это “все сняли заранее” и “нарисовали”, но мы, к сожалению, вас понимаем.

Неделю назад никто из нас не поверил бы, что такое может произойти в 2022.

Метро Киева, Украина — с 25 февраля по сей день

Мы вряд ли найдем хоть одного человека на Земле, которому станет от нее лучше. Три тысячи ваших солдат, чьих-то детей, уже погибли за эти три дня. Мы не хотим этих смертей, но не можем не оборонять свою страну.

И мы все еще хотим верить, что вам так же жутко от этого безумия, которое остановило всю нашу жизнь.

Нам очень нужен ваш голос и смелость, потому что сейчас эту войну можете остановить только вы. Это страшно, но единственное, что будет иметь значение после – кто остался человеком.

ул. Лобановского 6а, Киев, Украина. 26.02.2022

Это дом в центре Киева, а не фото 11-го сентября. Еще неделю назад здесь была кофейня, отделение почты и курсы английского, и люди в этом доме жили свою обычную жизнь, как живете ее вы.

P.S. К сожалению, это не “фотошоп от Пентагона”, как вам говорят. И да, в этих квартирах находились люди.

«Это не война, а только спец. операция.»

Это война.

Война – это вооруженный конфликт, цель которого – навязать свою волю: свергнуть правительство, заставить никогда не вступить в НАТО, отобрать часть территории, и другие. Обо всем этом открыто заявляет Владимир Путин в каждом своем обращении.

«Россия хочет только защитить ЛНР и ДНР.»

Это не так.

Все это время идет обстрел городов во всех областях Украины, вторые сутки украинские военные борются за Киев.

На карте Украины вы легко увидите, что Львов, Ивано-Франковск или Луцк – это больше 1,000 км от ЛНР и ДНР. Это другой конец страны. 25 февраля, 2022 – места попадания ракет

25 февраля, 2022 – места попадания ракет «Мирных жителей это не коснется.»

Уже коснулось.

Касается каждого из нас, каждую секунду. С ночи четверга никто из украинцев не может спать, потому что вокруг сирены и взрывы. Тысячи семей должны были бросить свои родные города.

Снаряды попадают в наши жилые дома.

Больше 1,200 мирных людей ранены или погибли. Среди них много детей.
Под обстрелы уже попадали в детские садики и больницы.
Мы вынуждены ночевать на станциях метро, боясь обвалов наших домов.
Наши жены рожают здесь детей. Наши питомцы пугаются взрывов.

«У российских войск нет потерь.»

Ваши соотечественники гибнут тысячами.

Нет более мотивированной армии чем та, что сражается за свою землю.
Мы на своей земле, и мы даем жесткий отпор каждому, кто приходит к нам с оружием.

«В Украине – геноцид русскоязычного народа, а Россия его спасает.»

Большинство из тех, кто сейчас пишет вам это письмо, всю жизнь говорят на русском, живя в Украине.

Говорят в семье, с друзьями и на работе. Нас никогда и никак не притесняли.

Единственное, из-за чего мы хотим перестать говорить на русском сейчас – это то, что на русском лжецы в вашем правительстве приказали разрушить и захватить нашу любимую страну.

«Украина во власти нацистов и их нужно уничтожить.»

Сейчас у власти президент, за которого проголосовало три четверти населения Украины на свободных выборах в 2019 году. Как у любой власти, у нас есть оппозиция. Но мы не избавляемся от неугодных, убивая их или пришивая им уголовные дела.

У нас нет места диктатуре, и мы показали это всему миру в 2013 году. Мы не боимся говорить вслух, и нам точно не нужна ваша помощь в этом вопросе.

Украинские семьи потеряли больше 1,377,000 родных, борясь с нацизмом во время Второй мировой. Мы никогда не выберем нацизм, фашизм или национализм, как наш путь. И нам не верится, что вы сами можете всерьез так думать.

«Украинцы это заслужили.»

Мы у себя дома, на своей земле.

Украина никогда за всю историю не нападала на Россию и не хотела вам зла. Ваши войска напали на наши мирные города. Если вы действительно считаете, что для этого есть оправдание – нам жаль.

Мы не хотим ни минуты этой войны и ни одной бессмысленной смерти. Но мы не отдадим вам наш дом и не простим молчания, с которым вы смотрите на этот ночной кошмар.

Искренне ваш, Народ Украины

Лада приора модель


Lada Priora

Lada Priora – семейство бюджетных автомобилей «малого класса III группы» (по европейским меркам – это граница сегментов «B» и «C») – является «продуктом» глубокой модернизации «десятого семейства» (получившим порядка тысячи изменений, по сравнению с «исходником»)…

Первый прототип «Приоры» в трёхобъемном кузове (именуемый «Lada 2170») предстал перед общественностью ещё в августе 2003-го на Московском автосалоне, однако в «серию» он пошел лишь спустя три с половиной года – в марте 2007-го (а всё из-за того, что завод был занят «запуском Калины»)… Уже в феврале 2008 года за седаном «последовал» пятидверный хэтчбек, а в мае 2009-го и «универсальная» модель (позднее были и другие модификации, но все они – «мелкосерийные»)… Однако «эпоха этой модели» уже приближается к своему «логичному завершению» – в 2017 году он «планирует кануть в лету».

Для тех, кто хочет помощнее – «Priora 1.8L»

Это специальные версии – в исполнении тюнинг-ателье «Супер-Авто». Машины получили не просто более мощный мотор с рабочим объемом 1,8 литра, а были адаптированы под возможность для дальнейшего тюнинга (позволяющего увеличить отдачу силового агрегата до 135 л.с.).

Отзывы Подробнее Недорогой седан LADA Priora

Четырёхдверный вариант исполнения (индекс ВАЗ-2170) появился в модельной линейке АвтоВАЗа в 2007 году, вытеснив «десятку», а на конвейере он продержится как минимум до 2018 года. Основные особенности автомобиля – привлекательная внешность, современный интерьер и конкурентоспособные двигатели.

Отзывы Подробнее Пятидверный хэтчбек LADA Priora

Появившаяся в 2008 году «компактная пятидверка» с заводским индексом «2172», пришел на смену модели «112». Этот автомобиль сочетает в себе динамичный силуэт, привлекательный интерьер, высокие потребительские и ходовые качества, а так же достаточно доступный «ценник».

Отзывы Подробнее Lada Priora Coupe… или 3Dr-хэтчбек ?

Мелкосерийная модификация в кузовном варианте трёхдверный хэтчбек получила «громкую» приставку в имени модели – «Coupe», а так же различный «обвес» придающий спортивности внешнему облику. Эта машина ориентирована на молодёжную аудиторию.

Отзывы Подробнее LADA Priora в кузове универсал

«Универсальный» вариант исполнения (заводской индекс ВАЗ-2171) – это недорогой, относительно компактный, но очень вместительный автомобиль. Машина для практичных и экономных людей, которым нужна «рабочая лошадка» на все случаи жизни.

Отзывы Подробнее «Бодрый седан» Lada Priora Sport

«Заряженная» модификация седана с индексом «2170» получила к имени приставку «Sport» и 125-сильный двигатель под капот… не обошлось и без специального аэродинамического обвеса. Автомобиль выпускался мелкими партиями с 2009 года, однако в настоящий момент он уже «ушел на покой».

Отзывы Подробнее

Конструктивные особенности. Лада Приора является глубокой модернизацией ВАЗ-2110, но при этом существенных изменений в конструкцию шасси разработчиками внесено не было. По этой причине автомобиль получил устаревший вариант подвески (которая хотя и хорошо адаптирована к качеству российских дорог, но не способна обеспечить должный уровень комфорта), выверенную управляемость и хорошую курсовую устойчивость.

Конструктивные недостатки. Lada Priora не отличается высоким качеством сборки, из-за чего отмечается низкий уровень точности подгонки кузовных элементов, что повышает уровень шума в салоне, а также способствует воздействию воздушных потоков на устойчивость автомобиля. Низкое качество сборки отмечается и в салоне «Приоры», из-за чего очень быстро элементы отделки начинают «гулять», наполняя салон посторонними звуками. Кроме того, габаритные характеристики автомобиля и параметры настройки его подвески способствуют возникновению эффекта парусности кузова при маневрировании в условиях бокового ветра, что приводит к излишним кренам и снижению управляемости.

Самые слабые места. В список наиболее часто ломающихся узлов и агрегатов автомобилей семейства «Priora» специалисты включают:

  • опорные подшипники,
  • ШРУСы,
  • амортизаторы,
  • сайлентблоки передней подвески,
  • передние ступицы,
  • помпу,
  • компоненты бортовой электросистемы,
  • штатную сигнализацию,
  • стеклоподъемники.

Коррозия кузовных элементов, в первую очередь, появляется на капоте и крышке багажника (в местах установки декоративных накладок).

Двигатель вибрирует на холостом ходу. Как правило, причиной вибрации двигателя является прослабление подушек двигателя. Для устранения дефекта необходимо проверить качество затяжки крепежных болтов и уровень износа подушек. Если подушки повреждены, то потребуется их замена.

Плавают обороты двигателя. Чаще всего причина проблемы кроется в некорректной работе дроссельного узла из-за засорения его полостей. Для нормализации работы двигателя в этом случае необходимо снять дроссельный узел и провести его очистку.

Двигатель «троит». Троение мотора на Ладе Приоре, как правило, вызывается подсосом воздуха через изношенные резиновые заглушки, установленные в левом верхнем углу двигателя. Для устранения проблемы необходимо заменить заглушки.

Неустойчивая работа двигателя. Основная причина данной проблемы – снижение давления в топливной рампе, вызванное засорением сетчатого фильтра бензонасоса. Для решения проблемы необходимо снять бензонасос и провести его очистку. Также отметим, что причинами неустойчивой работы мотора могут быть подсос воздуха через шланги двигателя, износ ремня ГРМ или износ компонентов ЦПГ.

Стартер не выключается после пуска мотора. Чаще всего данный дефект проявляется в зимнее время и вызывается застыванием смазки во втягивающем реле, что приводит к его залипанию. В летнее время залипание может спровоцировать попавшая грязь и влага. Для устранения дефекта необходимо разобрать втягивающее реле, очистить его компоненты от грязи и нанести морозоустойчивую смазку.

Затрудненный ход рычага КПП или повышенная шумность работы КПП. Данная проблема считается конструктивной особенностью КПП ВАЗовской разработки. Как правило, чаще всего проблема проявляется в зимнее время, а для снижения её негативного воздействия на работоспособность КПП специалисты рекомендуют заменить заводское масло на синтетическое с параметрами не ниже 75w90. Кроме того, длительное использование заводского масла в КПП способствует ускоренному механическому износу подвижных компонентов коробки, что чревато появлением стружки, сколов и выходом КПП из строя.

Стук передних стоек. Данная проблема не считается дефектом, а является конструктивной особенностью стоек марки СААЗ, используемых при сборке автомобиля. Для устранения стучащих звуков потребуется замена стоек на более качественные аналоги от других производителей.

Стук с правой стороны подкапотного пространства. Если в работе подвески проблем не наблюдается, то причиной возникновения постороннего стука может стать бачок гидроусилителя руля, который, из-за ослабления крепления, опускается вниз и стучит о защиту колеса.

Печка дует некорректно. Проблемы в работе отопителя, как правило, связаны с выходом из строя моторедукторов, управляющих переключением заслонок. Для устранения проблемы необходимо заменить вышедшие из строя моторедукторы. Также следует проверить подвижность самих заслонок, которые могут подклинивать из-за попавшей грязи.

Быстрый выход из строя АКБ. На некоторых автомобилях Lada Priora АКБ служит один–полтора года. Данный дефект вызван некорректной работой регулятора напряжения. Для решения проблемы необходимо заменить регулятор.

Запотевание задних фонарей после дождя или мойки. Как правило, задние фонари начинают запотевать из-за засорения вентиляционных отверстий, имеющихся в их корпусе. Для решения проблемы необходимо очистить вентиляционные отверстия от попавшей в них грязи.

Ложное срабатывание сигнализации (а так же отказ открывать или закрывать двери). Данные симптомы указывают на выход из строя штатной сигнализации. Для устранения проблемы потребуется полная замена системы сигнализации.

Стуки и скрипы в салоне. Практически на всех автомобилях семейства «Priora» со временем появляются посторонние звуки в салоне. Для снижения уровня шума и устранения проблемы необходимо проклеить все съемные элементы отделки салона шумопоглащающими материалами или закрепить их 2-сторонним скотчем. Кроме того, рекомендуется смазать силиконовой смазкой дверные петли и замки, места крепления и салазки передних кресел.

Скопление воды в багажнике. Довольно часто после дождя или мойки в багажнике «Приоры» можно найти лужицы, образующиеся в нишах под задними фонарями. Для удаления воды необходимо вытащить резиновые заглушки, имеющиеся на дне данных водосборных ниш.

В рубрике размещены фотографии и обзоры (рассмотрение ходовых/эксплуатационные качеств) всех модификаций Лады Приоры. Указаны технические характеристики каждой рассматриваемой машины (двигатели и КПП, расход топлива, динамика и максимальная скорость, размеры и вместимость, клиренс и пр). А так же комплектации и цены на новую Ладу Приору в официальных автосалонах.

Изменения в Lada Priora: копия верна

1 февраля 2014 годаБыло

С обновленной «Приорой» испытатели уже познакомились на дорогах Тольятти (ЗР, 2013, № 10). На сей раз мы привезли рестайлинговую «Приору» на Дмитровский автополигон в паре с прежним вариантом седана образца 2007 года, который с того времени модернизировали лишь незначительно. На фоне его белоснежного кузова изменения должны выглядеть ярче. Тем более что оба автомобиля — в одинаковой комплектации «Норма».

Стало

Подтяжка лица

На площадке полигона мы выглядели словно дети, которые ищут различия у двух, казалось бы, одинаковых картинок. Итак, оглядываясь на дорестайлинговую машину, которую мы тут же окрестили старой, начинаем загибать пальцы, подсчитывая обновления. Передний бампер, появившийся на модели в прошлом году, не изменился, так что при первом взгляде обе «Приоры» кажутся одинаковыми.

БылоБЫЛО: в решетке радиатора дорестайлинговой «Приоры» — горизонтальные прорези

Разница лишь в пластиковой решетке радиатора — новая сотовая структура освежила экстерьер. Хотя на расстоянии соты надо еще разглядеть. Фары прежние. Соглашусь с мнениями владельцев на многочисленных форумах: работают они как надо.

СталоСТАЛО: внутри хромированной окантовки обновленной «Приоры» — сотовая структура

В корме основное внимание — фонарям. Теперь в их нижней части светодиоды, которые долговечнее обычных ламп, что стоят на белом автомобиле. Очертить габариты помогают и более крупные отражатели на бампере. В сумерках свежая светотехника действительно показала себя лучше — она заметно ярче.

БЫЛО: Просто и без изысков. Часы на передней панели — привет из прошлого века. На центральной консоли нет подстаканников и отделений для мелочи.БЫЛО: Просто и без изысков. Часы на передней панели — привет из прошлого века. На центральной консоли нет подстаканников и отделений для мелочи.БЫЛО: просто и без изысков. Часы на передней панели — привет из прошлого века. На центральной консоли нет подстаканников и отделений для мелочи

Омолаживающие процедуры

Стоит завести мотор, как у нового автомобиля вспыхивают фары ближнего света, даже если переключатель стоит в положении «0», — удобно. Сигнализатор писком предупреждает о непристегнутом ремне, а при легком касании подрулевика поворотник мигает трижды.

Дизайн — великое дело. Вроде измени- ли не так уж много, а передняя панель сразу стала выглядеть привлекательнее.Дизайн — великое дело. Вроде измени- ли не так уж много, а передняя панель сразу стала выглядеть привлекательнее.СТАЛО: дизайн — великое дело. Вроде изменили не так уж много, а передняя панель сразу стала выглядеть привлекательнее

Последовательно включаю габаритные огни, затем фары… На панели приборов появляется не одна пиктограмма, как в старой машине, а две. Мелочь, но теперь не надо гадать, какая светотехника работает.

БЫЛО: Инструментарий конца девяностых, но претензий к читаемости нет. Единственное замечание — экранчик борткомпьютера слишком мал.БЫЛО: Инструментарий конца девяностых, но претензий к читаемости нет. Единственное замечание — экранчик борткомпьютера слишком мал.БЫЛО: инструментарий конца девяностых, но претензий к читаемости нет. Единственное замечание — экранчик борткомпьютера слишком мал

Новая панель приборов интереснее в плане дизайна. К прежней, в общем-то, особых претензий не возникало, но уж слишком она простая и уже примелькалась. А тут широкие белые стрелки, удачно скомпонованные пиктограммы, сразу проникся к новинке симпатией.

СТАЛО: Симпатичная на вид комбинация приборов неплоха и функционально. Подсветка, цифры — все яркое и четкое, так что с восприятием информации в движении проблем не возникает.СТАЛО: Симпатичная на вид комбинация приборов неплоха и функционально. Подсветка, цифры — все яркое и четкое, так что с восприятием информации в движении проблем не возникает.СТАЛО: симпатичная на вид комбинация приборов неплоха и функциональна. Подсветка, цифры — все яркое и четкое, так что с восприятием информации в движении проблем не возникает

Обновленное торпедо не только освежило интерьер, но и добавило удобства. В центре поместили экран борткомпьютера. Излишних красивостей на мониторе нет, все просто, зато крупные цифры хорошо видны в движении.

БЫЛО: Новая панель приборов интереснее в плане дизайна. К прежней, в общем-то, особых претензий не возникало, но уж слишком она простая и уже примелькалась. А тут широкие белые стрелки, удачно скомпонованные пиктограммы, сразу проникся к новинке симпатией.БЫЛО: Новая панель приборов интереснее в плане дизайна. К прежней, в общем-то, особых претензий не возникало, но уж слишком она простая и уже примелькалась. А тут широкие белые стрелки, удачно скомпонованные пиктограммы, сразу проникся к новинке симпатией.БЫЛО: открыть отделение для мелочи в дорестайлинговом авто — непростая задача. Фиксаторы жесткие, ручка маленькая и неудобная

Посадку водителя хвалят многие владельцы, но мне при росте 190 см в кресле неуютно: места в районе педального узла старой машины крайне мало, продольной регулировки сиденья не хватает. Обновления немного исправили ситуацию: салазки сиденья в новом автомобиле удлинили, благодаря этому не приходится сильно заваливать спинку назад.

БЫЛО: Боксы в передних под- локотниках разные. У прежней модели он более плоский, оттого шире. БЫЛО: Боксы в передних под- локотниках разные. У прежней модели он более плоский, оттого шире. БЫЛО: боксы в передних подлокотниках разные. У прежней модели он более плоский, оттого шире

Кресло плотнее, оно лучше фиксирует тело в поворотах. Расстояние между педалями газа и тормоза заметно больше. Отрегулировав под себя водительские кресла в обеих машинах, попытался сесть назад — и не смог. Спинки оказались слишком близко к задним диванам. И если в автомобиль сядут четверо, мне, водителю, придется коленки прижать к ушам.

СТАЛО: У новой  — глубже и объемнее.СТАЛО: У новой  — глубже и объемнее.СТАЛО: у обновленной «Приоры» бокс в подлокотнике глубже и объемнее

Перемена цвета

«Первые впечатления: машину нужно раскатывать, не едет. Шумоизоляции нет, замки, ручки дверей требуют доработки. Штатная резина шумная и дубовая. Едешь как на пеньках».

БЫЛО: В преж- нем седане все по-простому.БЫЛО: В преж- нем седане все по-простому.БЫЛО: в прежнем седане все по-простому

«За два нелегких месяца автомобиль прошел 18 000 км, но никаких проблем не доставил. Ходовая, на мой взгляд, вполне терпимая, единственное — в правой стойке при прохождении „лежачих полицейских“ раздается стук. Приехал на сервис, посмотрели — все нормально, говорят, это у них болезнь такая. Тормоза неплохие, на четверку»… 

СТАЛО: В рестайлинговой «Приоре» к передней части подушек передних сидений прикручена пластиковая облицовка.СТАЛО: В рестайлинговой «Приоре» к передней части подушек передних сидений прикручена пластиковая облицовка.СТАЛО: в рестайлинговой «Приоре» к передней части подушек передних сидений прикручена пластиковая облицовка

Сравниваю впечатления московских владельцев «Приор» со своими. У машин одинаковые 98-сильные моторы, потому в движении кардинальных различий нет. Подвески исправно глотают крупные кочки, но на мелких неровностях потряхивает. Однако серый автомобиль интереснее на уровне нюансов: собраннее в поворотах, чуть стабильнее на выходе, мягче глотает дорожные неровности.

Багажники у нашей пары одинаковые, разница лишь в ковровых покрытиях. Ковер в белой машине понравился тем, что он плотнее.Багажники у нашей пары одинаковые, разница лишь в ковровых покрытиях. Ковер в белой машине понравился тем, что он плотнее.Багажники у нашей пары одинаковые, разница лишь в ковровых покрытиях. Ковер в белой машине понравился тем, что он плотнее

Разгонной динамикой новая и старая «Приоры» практически не отличаются друг от друга, при этом салон заполняет ощутимый монотонный гул. Помнится, в первую встречу с машиной нам рассказали о доработке шумоизоляции. Измерили мы уровень шума в салоне (обе «Приоры» обуты в штатную «Кама-Евро») и удивились: новая машина оказалась не такой тихой, как предыдущая версия! Причину нашли в багажнике: оказалось, в дорестайлинговом автомобиле ковер толще.

Было

Рулевое управление одинаково неинформативно, а более острый руль у обновленного авто — только в «Люксе». Ждем его в остальных модификациях.

Стало

«Коробка работает нормально, кроме первой передачи. На пониженную перехожу с усилием. Так у меня было на всех „Жигулях“, от „шестерки“ до „десятки“, — продолжаю изучать форум владельцев „Приор“.

У белой «Приоры» поведение схожее, но здесь туго включается пятая. Загоняю рычаг силой, и то получается не с первого раза. В рестайлинговой машине рычагом работать удобнее. Новый агрегат с тросовым приводом? К сожалению, нет: у обеих хорошо знакомые коробки с индексом ВАЗ-2112, к которым без восторга отнесся и мой коллега, когда опробовал новую «Приору» в Тольятти. Потому решили: это особенности конкретных машин. Хочется верить, что лучшая работа транcмиссии — свидетельство улучшившегося качества сборки. Кстати, при работе двигателей на холостых оборотах рычаги коробок у нашей пары вибрируют одинаково сильно.

Тормозам не хватает информативности и цепкости реакций. Механизмы словно мылом смазаны: жму на педаль — и каждый раз недоволен темпом замедления. Педаль хочется продавить сильнее, но ход небезграничен.

Было

Вспоминаю «китайцев» — «Лифан-Солано» и «FAW-Олей», на которых довелось поездить ранее. Эффективность торможения этих бюджетных седанов понравилась много больше. Пожелаю сменщице «Приоры», чтобы ее главная автомобильная система стала понятнее и надежнее.

СТАЛО: В нижней части фонарей разместили све- тодиодные секции габаритных огней и стоп- сигналов. Традиционные фонари проигрывают им в яркости. Да и отклик ламп накаливания не такой быстрый, как у светодиодов.СТАЛО: В нижней части фонарей разместили све- тодиодные секции габаритных огней и стоп- сигналов. Традиционные фонари проигрывают им в яркости. Да и отклик ламп накаливания не такой быстрый, как у светодиодов.СТАЛО: в нижней части фонарей разместили светодиодные секции габаритных огней и стоп-сигналов. Традиционные фонари проигрывают им в яркости. Да и отклик ламп накаливания не такой быстрый, как у светодиодов

Ну что же, хоть наша пара и не в самых богатых комплектациях, различий между ними более чем достаточно. А ведь еще есть «Люкс», в котором найдете мультимедийную систему, боковые подушки безопасности и более мощный, 106-сильный мотор. Но и без того старая «Приора» на фоне новой все же бледнеет. Впрочем, глобальные недостатки «Приоры» сможет исправить только новая модель. Совсем новая по конструкции.

Дальше — больше?

Места для ступней ног в «Приорах» совсем мало. В старой, нажимая газ, я часто задевал педаль тормоза. Из-за этого приходится отводить ногу вправо и выворачивать ступню.

Было

О том, что произойдет с ногой в случае аварии, даже не хочется думать. В обновленной машине сидеть лучше благодаря тому, что расстояние между педалями газа и тормоза увеличили примерно на 7 мм (до 47 мм).

Стало

ПЛЮС: Хороши светодиодные фонари, машина сделалась заметнее. Экран борткомпьютера четкий и понятный.

МИНУС: Ватные, неинформативные тормоза, и все так же тесно сзади.

Благодарим автосалоны «Темп Авто Балашиха» и «Авторезерв» за предоставленные на тест автомобили.

Рестайлинг проведен малой кровью. Машина явно стала лучше, но от долгожителя российского рынка не стоит ждать чудес. Недостатки, требующие серьезной доработки кузова и ходовой части, остались. Надеемся, их устранят в новой модели, которая придет на смену «Приоре» в конце 2015 года.

Максим Гомянин

Изменения в Lada Priora: копия вернаИзменения в Lada Priora: копия вернаОшибка в тексте? Выделите её мышкой! И нажмите: Ctrl + Enter Безымянный

Достоинства:

Неубиваемая подвеска, в люксе приора 2 были все современные опции бюджетных машин и некоторые опции машин по дороже, доступность запчастей, ремонтопригодность, экономичность, ликвидность машины в хорошем состоянии.

Недостатки:

Тесный салон для задних пассажиров, ГРМ, большой разброс качества машин и запчастей, неудобные водительские сиденья в дорестайлинговой приоре, хороший экземпляр на вторичке нужно поискать.

Автомобиль lada priora: новости, обзор, машина Лада Приора

В рейтинге самых популярных машин вторичного рынка сменились лидеры, а их стоимость снизилась.Под отзывную кампанию попали 1716 машин Lada, которые были неверно укомплектованы на заводе.В десятку самых популярных в России автомобилей с пробегом попали лишь две иномарки.Сервисные кампании для превентивного устранения возможных дефектов автомобиля проводят не только иностранцы, но и наш родной АВТОВАЗ. «За рулем» собрал для вас все более-менее значимые эпизоды, когда под отзыв попадала продукция под маркой Lada.За сколько месяцев средний россиянин может накопить на самый популярный подержанный автомобиль в своем городе? Это стало темой очередного исследования.В середине июля российский завод окончательно прекратил производство седанов Lada Priora. Машину тихо и без лишней помпы проводили на пенсию, а вот соцсети бурно отреагировали на это событие.Приору снимают с производства — автомобиль навсегда уезжает в историю. Самое время вспомнить все его особенности, благодаря которым он обрел популярность и запомнится почитателям.В Сети появилась фотография последнего собранного экземпляра Lada Priora. Судьба его неизвестна.Бытует мнение, что почитатели отечественной Лады Приоры живут в кавказских регионах. Так ли это на самом деле, решили уточнить аналитики.В Дагестане свадьбу принято отмечать громко, так, чтобы все запомнили. Снятый на видео в Махачкале кортеж запомнится отчаянным дрифтом водителя Лады Приоры.АВТОВАЗ официально заявил о прекращении производства седана, который продержался на конвейере более десяти лет.Еще в мае мы сочувствовали горячим кавказским парням, любителям заниженных и тонированных седанов. Но все изменилось — горевать им нечего, Приору оставляют на конвейере!АВТОВАЗ несколько раз переносил дату прекращения производства Приоры, однако на этот раз решение принято окончательно: модель уходит в историю.С интересной инициативой выступила мэрия Калуги совместно с одним из автосалонов. Все, кто в этом городе проявит гражданскую позицию и придет 18 марта на выборы, получат возможность на следующий день выиграть новенькую Ладу Приору.Выясняем, какие автомобили пользуются повышенным спросом в регионах и почему.

Страницы

← предыдущаяследующая →

12345678…

ВАЗ Приора (LADA 2170)

В статье рассказывается о самом продаваемом в России легковом автомобиле — автомобиле Лада Приора. Откуда есть пошла Приора, чем отличается от своей производной («десятки»), какими характеристиками обладает и как планируется (и планируется ли) видоизменять и улучшать Приоры дальше – обо всём этом можно найти ответы в представленной статье.

Лада Приора — переднеприводный автомобиль российского производства, наиболее продаваемая модель семейства LADA, выпускаемая ОАО «АвтоВАЗ» с 2007 года. По европейской классификации относится к классу «С».

Лада приора

ВАЗ Приора — модернизированный автомобиль 10-го семейства «АвтоВАЗа». Первая партия седанов была выпущена в марте 2007 г., а с апреля того же года начался массовый выпуск. Иные типы кузова появились у Приоры уже в следующем году: хэтчбек — в феврале, в универсал — в октябре 2008 г. (серийное производство началось с мая 2009 г.). Примерно в то же время Приора полностью вытеснила семейство «Лада 110» с конвейера.

Много споров ведётся относительно того, что же такое Приора: слегка модернизированная «десятка» или полноценный новый автомобиль. История ВАЗ Приора начинается в далёком 2003 году, когда американская аудиторская компания, нанятая для того, чтобы просчитать возможные пути развития завода, предложила перезапустить «десятое» семейство, спроектированное ещё в 1980-х годах. Перезапустить – значит постепенно, агрегат за агрегатом, без остановки конвейера, заменить в автомобиле, взятом за основу, практически всё, что удастся заменить. Работа сложная и не на один год: для того, чтобы представить объёмы, скажу, что в «десятке» больше трёх тысяч деталей, из которых в Приоре заменено чуть меньше полутора тысяч. Практически половина машины сделана по-другому – но вот иначе ли?

Одновременно с «внутренностями» менялся и внешний облик автомобиля. Экстерьер – работы российского дизайнера Сергея Таранова, интерьер – плод усилий дизайнеров итальянской фирмы Carcerano. И надо признать, что такой российско-итальянский синтез выглядит достаточно современно и стильно, а потому неизменно приковывает внимание потенциальных покупателей.

Технические характеристики

ВАЗ Приора несёт модернизированный двигатель с рабочим объемом 1,6 литра (с восьми- и шестнадцатиклапанной головками блока цилиндров), без малого сто «лошадей». Шатунно-поршневая группа облегчена до предела, что позволило сократить потери мощности примерно на 9 л.с. При всём при этом двигатель соответствует нормам Евро-3 в стандартной версии, Евро-4 — в «экспортной» версии, а сейчас запущен процесс приведения характеристик мотора в соответствие нормам Евро-5. А вот объявленное было увеличение рабочего объёма двигателя до 1,8 литра так и не произвошло и даже не планируется.

Коробка передач механическая, с оставшимся в наследство от «десятки» проблемным переключением скоростей при разгоне. Безредукторный электроусилитель руля выше всяких похвал: в пробках руль вращается буквально одним пальцем, на скорости помощь усилителя сходит на нет. Механизм привода коробки передач с подшипниками закрытого типа и усиленное сцепление, а также обновлённые стойки передней подвески с бочкообразными пружинами и амортизаторы задней подвески выгодно отличают Приору от «десятки».

Большой и несомненный плюс – то, что при выпуске Приоры наконец-то в базовой комплектации автовазовских моделей появились подушки безопасности водителя и в дополнительной – подушка безопасности пассажира.

Из дополнительных доступных бонусов следует отметить подогрев передних сидений, кондиционер с климат-контролем и датчик света и дождя – мелочь, а приятно. К сожалению, надёжность и качество сборки Приоры оставляют желать лучшего. Опрос, проведённого аналитическим центром Юрия Левады «Левада-центр», наглядно показывает, что «Лады» (Приоры и Калины) ломаются в среднем в два раза чаще, чем иномарки той же ценовой категории. В течение гарантийного срока у 10% автомобилей «Лада» возникают проблемы с подвеской (против 3 — 6 % у недорогих иномарок), у 5% — проблемы с КПП. После окончания гарантийного срока у 10% автомобилей «Лада» ломается электроусилитель руля и появляются те ил иные проблемы с двигателем, у 20% обнаруживаются проблемы с подвеской. А если учесть ещё и то, что Лада Приора ломается в среднем чаще, чем Лада Калина, картина становится и вовсе безрадостной.

Автомобиль ВАЗ Приора на фото:

[ngg_images source=»galleries» container_ids=»2″ display_type=»photocrati-nextgen_basic_thumbnails» override_thumbnail_settings=»0″ thumbnail_width=»240″ thumbnail_height=»160″ thumbnail_crop=»1″ images_per_page=»20″ number_of_columns=»0″ ajax_pagination=»0″ show_all_in_lightbox=»0″ use_imagebrowser_effect=»0″ show_slideshow_link=»0″ slideshow_link_text=»[Показать слайдшоу]» order_by=»sortorder» order_direction=»ASC» returns=»included» maximum_entity_count=»500″]Качество сборки остаётся типичным АвтоВАЗовским – то есть ужасным. Хвалёные уплотнители заднего и ветрового стекол не справляются со своей задачей, бардачок открывается и закрывается исключительно по собственному желанию, а не по требованию владельца автомобиля. Дешёвый и сильно пахучий пластик довольно долго отравляет счастье обладания совершенно новой машиной – этот запах ещё несколько месяцев после покупки не выветривается из салона.

Модификации

В серийном производстве находится три модификации Приоры: седан (ВАЗ-2170), хэтчбек (ВАЗ-2172) и универсал (ВАЗ-2171). Мелкими сериями ведётся производство также ВАЗ-2172 Купе (трёхдверный хэтчбек) и ВАЗ-21708 Priora Premier (удлинённой версии седана).

Продажи и перспективы

Спрос на Приору стабильно растёт уже не первый год, и вполне закономерно бывшая в 2010 году второй по продажам, по итогам 2012 г. Приора становится первой.

К осени 2013 г. планируется появление обновленных автомобилей ВАЗ Приора, причём обновления коснутся в первую очередь внешнего вида как салона, так и наружных элементов. Запланировано также производство автомобилей Приора в комплектации с ESC, боковыми подушками безопасности, мультимедийной системой, климат-контролем и предпусковым подогревателем, но срок выпуска таких автомобилей пока не называется. Вообще же АатоВАЗ планирует продавать Приоры до 2016 г. включительно.

Поделиться:

«Автоваз» прекратит производство «Приоры» в конце июля — компания | 16.07.18

«Автоваз» прекратит производство автомобилей Lada Priora («Лада Приора») в конце июля из-за снижения спроса на эту модель и сосредоточится на обновлении модельного ряда, сообщила компания.

Накануне аналитическое агентство «Автостат» признало модель, которая традиционно входит в топ-10 российских моделей с пробегом, лидером продаж подержанных авто в Северо-Кавказском федеральном округе по итогам 5 месяцев 2018 года.

«Lada Priora покинет сборочную линию в Тольятти в конце июля. Данное решение было одобрено руководством компании и продиктовано постоянно растущим интересом к последним моделям Lada и, как следствие, снижающимся спросом на модель Priora», — сообщила пресс-служба «Автоваза».

Производство Lada Priora стартовало в 2007 году. Миллионный экземпляр модели, которая в настоящее время производится в Тольятти и на заводе ПАО «Чеченавто» в городе Аргун, был выпущен 21 апреля 2017 года. Рекордным по объему продаж для «Приоры» стал 2011 год, когда было продано 138 тыс. машин. Звездным годом, по данным рейтингов, 2017-й стал для нового поколения семейства Lada — моделей Granta и Vesta, а по итогам первого полугодия хитом продаж автозавода признана Lada Vesta.

Спасительная модель

«Для своего времени Lada Priora была очень хорошим автомобилем, который помог «Автовазу» выжить 10 лет назад. В связи с кардинальными изменениями бренда Lada в течение последних трех лет и запуском нового поколения автомобилей Lada, наши потребители меняют свое восприятие бренда, а это, в свою очередь, ведет к снижению спроса на Lada Priora», — объясняет «Автоваз» отказ от модели.

«Мы приняли логичное решение завершить производство данной модели и сконцентрироваться на полном обновлении модельного ряда Lada в ближайшие годы», — цитирует пресс-служба исполнительного вице-президента по продажам и маркетингу «Автоваза» Яна Птачека.

22 мая 2018 года компания заявила, что снимет с конвейера автомобили Lada Priora и прекратит выпуск моделей Granta и Kalina «в существующих вариантах». Все они являются семействами автомобилей B-класса, разработанными на «Автовазе» в 1990-2000-х годах.

Коллектив сборочной линии, на которой собирались «Приоры», сосредоточится на производстве семейства Lada 4×4, которое до сих пор пользуется стабильным спросом в России и практически на всех экспортных рынках. Для всех сотрудников, которые выскажут желание сменить место работы или периметр своих обязанностей, компания открыла новые вакансии на различных производственных и автокомпонентных линиях, сообщает «Автоваз».

Информационное агентство России ТАСС

Lada Priora — цены и характеристики, фотографии и обзоры

Конструктивные особенности. Лада Приора является глубокой модернизацией ВАЗ-2110, но при этом существенных изменений в конструкцию шасси разработчиками внесено не было. По этой причине автомобиль получил устаревший вариант подвески (которая хотя и хорошо адаптирована к качеству российских дорог, но не способна обеспечить должный уровень комфорта), выверенную управляемость и хорошую курсовую устойчивость.

Конструктивные недостатки. Lada Priora не отличается высоким качеством сборки, из-за чего отмечается низкий уровень точности подгонки кузовных элементов, что повышает уровень шума в салоне, а также способствует воздействию воздушных потоков на устойчивость автомобиля. Низкое качество сборки отмечается и в салоне «Приоры», из-за чего очень быстро элементы отделки начинают «гулять», наполняя салон посторонними звуками. Кроме того, габаритные характеристики автомобиля и параметры настройки его подвески способствуют возникновению эффекта парусности кузова при маневрировании в условиях бокового ветра, что приводит к излишним кренам и снижению управляемости.

Самые слабые места. В список наиболее часто ломающихся узлов и агрегатов автомобилей семейства «Priora» специалисты включают:

  • опорные подшипники,
  • ШРУСы,
  • амортизаторы,
  • сайлентблоки передней подвески,
  • передние ступицы,
  • помпу,
  • компоненты бортовой электросистемы,
  • штатную сигнализацию,
  • стеклоподъемники.

Коррозия кузовных элементов, в первую очередь, появляется на капоте и крышке багажника (в местах установки декоративных накладок).

Двигатель вибрирует на холостом ходу. Как правило, причиной вибрации двигателя является прослабление подушек двигателя. Для устранения дефекта необходимо проверить качество затяжки крепежных болтов и уровень износа подушек. Если подушки повреждены, то потребуется их замена.

Плавают обороты двигателя. Чаще всего причина проблемы кроется в некорректной работе дроссельного узла из-за засорения его полостей. Для нормализации работы двигателя в этом случае необходимо снять дроссельный узел и провести его очистку.

Двигатель «троит». Троение мотора на Ладе Приоре, как правило, вызывается подсосом воздуха через изношенные резиновые заглушки, установленные в левом верхнем углу двигателя. Для устранения проблемы необходимо заменить заглушки.

Неустойчивая работа двигателя. Основная причина данной проблемы – снижение давления в топливной рампе, вызванное засорением сетчатого фильтра бензонасоса. Для решения проблемы необходимо снять бензонасос и провести его очистку.
Также отметим, что причинами неустойчивой работы мотора могут быть подсос воздуха через шланги двигателя, износ ремня ГРМ или износ компонентов ЦПГ.

Стартер не выключается после пуска мотора. Чаще всего данный дефект проявляется в зимнее время и вызывается застыванием смазки во втягивающем реле, что приводит к его залипанию. В летнее время залипание может спровоцировать попавшая грязь и влага. Для устранения дефекта необходимо разобрать втягивающее реле, очистить его компоненты от грязи и нанести морозоустойчивую смазку.

Затрудненный ход рычага КПП или повышенная шумность работы КПП. Данная проблема считается конструктивной особенностью КПП ВАЗовской разработки. Как правило, чаще всего проблема проявляется в зимнее время, а для снижения её негативного воздействия на работоспособность КПП специалисты рекомендуют заменить заводское масло на синтетическое с параметрами не ниже 75w90. Кроме того, длительное использование заводского масла в КПП способствует ускоренному механическому износу подвижных компонентов коробки, что чревато появлением стружки, сколов и выходом КПП из строя.

Стук передних стоек. Данная проблема не считается дефектом, а является конструктивной особенностью стоек марки СААЗ, используемых при сборке автомобиля. Для устранения стучащих звуков потребуется замена стоек на более качественные аналоги от других производителей.

Стук с правой стороны подкапотного пространства. Если в работе подвески проблем не наблюдается, то причиной возникновения постороннего стука может стать бачок гидроусилителя руля, который, из-за ослабления крепления, опускается вниз и стучит о защиту колеса.

Печка дует некорректно. Проблемы в работе отопителя, как правило, связаны с выходом из строя моторедукторов, управляющих переключением заслонок. Для устранения проблемы необходимо заменить вышедшие из строя моторедукторы. Также следует проверить подвижность самих заслонок, которые могут подклинивать из-за попавшей грязи.

Быстрый выход из строя АКБ. На некоторых автомобилях Lada Priora АКБ служит один–полтора года. Данный дефект вызван некорректной работой регулятора напряжения. Для решения проблемы необходимо заменить регулятор.

Запотевание задних фонарей после дождя или мойки. Как правило, задние фонари начинают запотевать из-за засорения вентиляционных отверстий, имеющихся в их корпусе. Для решения проблемы необходимо очистить вентиляционные отверстия от попавшей в них грязи.

Ложное срабатывание сигнализации (а так же отказ открывать или закрывать двери). Данные симптомы указывают на выход из строя штатной сигнализации. Для устранения проблемы потребуется полная замена системы сигнализации.

Стуки и скрипы в салоне. Практически на всех автомобилях семейства «Priora» со временем появляются посторонние звуки в салоне. Для снижения уровня шума и устранения проблемы необходимо проклеить все съемные элементы отделки салона шумопоглащающими материалами или закрепить их 2-сторонним скотчем. Кроме того, рекомендуется смазать силиконовой смазкой дверные петли и замки, места крепления и салазки передних кресел.

Скопление воды в багажнике. Довольно часто после дождя или мойки в багажнике «Приоры» можно найти лужицы, образующиеся в нишах под задними фонарями. Для удаления воды необходимо вытащить резиновые заглушки, имеющиеся на дне данных водосборных ниш.

Приору сняли с производства – что хорошего и плохого в этой модели?

Сегодня автомобильный мир развивается слишком быстро, поэтому производители не могут надолго задерживать модели на конвейере. Если это происходит, спрос на такие машины падает молниеносно, а компания не успевает перестраиваться под новые условия рынка и теряет свою прибыль. Такие концерны не смогут существовать уже через несколько лет, так как будут постоянно требовать дотаций на развитие технологий и срочный перевыпуск моделей. Поэтому АвтоВАЗ, понимая ситуацию на рынке, решил снять с производства одну из устаревших моделей — Lada Priora. Автомобиль не имеет точной позиции в классе, поскольку по размерам он практически такой же, как Гранта, немного меньше Весты. Соответственно, автомобиль выбивается из нового модельного ряда, как и более популярный на российском рынке флагман — Lada Kalina. Обе эти модели будут сняты с производства, их выпуск не имеет экономического смысла. Сегодня мы посвятим публикацию Приоре, судьба которой уже предрешена.

Автомобиль запомнился своим довольно жестким характером, непреклонной тягой к мелким поломкам и не самой лучшей сборкой. Тем не менее, за свои деньги автомобиль служил довольно неплохо. Многие владельцы успели наездить до 350 000 км на фирменных ВАЗовских двигателях и коробках, не выполнив ни одного крупного ремонта. Но положительных мнений о машине не так много, как негатива и нареканий на ужасное отношение концерна к производству транспортных средств. Очень интересно, что сегодня о Priora заговорили совсем иначе, когда окончательно стало ясно, что модели августа 2021 года станут последними в линейке. На форумах можно найти огромное количество комментариев, призывающих не прекращать сборку недавнего флагмана компании. Но теперь бюджетные покупатели вынуждены рассматривать Гранту, а обладатели более крупной суммы денег — Весту.

Чем хорошим запомнилась Лада Приора в России?

Именно эта модель стала первой в исполнении АвтоВАЗ, которая получила подушки безопасности и даже кондиционер. Пусть это были и самые дорогие комплектации, но до Priora ни один российский автомобиль таких удобств не предлагал. Сегодня этим уже никого не удивишь, но в момент старта выпуска модели такие опции можно было считать признаком элитного класса. Так что в какой-то степени Приора стала первооткрывателем, дав толчок к развитию Lada.

Также стоит отметить такие интересные особенности машины:

  • именно эта модель стала культовой на Северном Кавказе, Priora там считается признаком роскоши и настоящего почета, особенно, если выполнено занижение подвески до минимальных значений клиренса;
  • удивительно, но автомобиль стал одним из мировых лидеров по ресурсу выносливости ремня ГРМ — его хватает здесь (если верить заводу) на 200 000 км, но меняют все владельцы гораздо раньше;
  • на этом автомобиле катался Ким Чен Ын — лидер Северной Кореи, это говорит о невероятном доверии к системам безопасности и прочим техническим решениям со стороны окружения правителя;
  • авто практически не меняло свою внешность, а единственный рестайлинг затронул только внутреннюю часть, изменений в технических элементах было немало, но все они оказались незначительными;
  • за все годы выпуска выпустили практически миллион экземпляров данного авто, так что автомобиль можно назвать успешным, пусть многие критики и называют его неудачной разработкой.

Сложно сформировать единое мнение о машине, которую купили почти 1 000 000 человек. Лишь небольшая часть авто отправилась на экспорт, хотя до сегодняшнего дня именно Lada Priora сформировала основную долю экспорта российского автомобильного предприятия. Скорее всего, в ближайшие годы эту модель обгонит Vesta, но пока рекорд остается за старичком. Несмотря на все преимущества, у авто было и много недостатков, которые не красят машину до сегодняшнего дня.

Интерьер

В отличие от внешнего вида, внутреннее убранство новой Лада Приоры 2021 года доработано гораздо сильнее. Фото нового салона уже были оценены по достоинству, конечно, это не могло не отразиться на цене. Основные характеристики продуманы и качественные, с поправкой на состояние предыдущей версии.

Изменения в салоне:

  • В лучшую сторону изменилось качество материалов отделки. Пластик стал немного крепче, а места стыков более аккуратны, что почти полностью исключило скрипы салона. Ткань устойчива к истиранию, поэтому отпадает необходимость покупать чехлы. Даже те пушистые, что некоторым очень нравятся.
  • Система мультимедиа хоть и изменилась, но даже близко не приблизилась к европейским вариациям. Грубая, с множеством неизвестных кнопок. Хотя, стоит отметить, что функционал немного подрос, по сравнению с предыдущей версией.
  • В целом торпедо сделано очень грубо и не современно. Базовая версия имеет множество малоприятных заглушек. Не украшает внешний вид и углубление для размещения дисплея. Оно угловато и не понятно. Стандартно здесь разместилось огромное количество кнопок, пару дефлекторов, круглые переключатели работы печки и кондиционера. Несколько лучше обстоят дела с богатой комплектацией, но становится очевидно огромное поле работы, чтобы выйти на уровень хотя бы бюджетных европейских авто.
  • Рулевое колесо переехало сюда вместе с малыми изменениями кузова. Руль толстый, непродуманный, без какого-либо функционального наполнения. Использование нового пластика не делает управление приятным.
  • Приборная панель была взята из Гранты и немного доработана. Смотрится несколько лучше за счет появившегося экрана борткомпьютера, который скромным синим треугольником выглядывает между тахометром и спидометром.
  • Тоннель выглядит неоправданно большим. На нем нет особо функциональных элементов, только все самое необходимое: ручка КПП, ручной тормоз и несколько кнопок. За комфорт здесь отвечает наличие небольшого органайзера для мелочи, выемки, отдаленно напоминающие подстаканники. Подлокотников не будет даже в самой богатой комплектации.

Небольшие изменения обшивки кресел завершают существенные изменения. Приятные на ощупь сиденья остались такими же твердыми, как и в прошлой вариации. Поэтому ездить на дальние расстояния в Приоре не совсем комфортно.

Не решена проблема дефицита места на заднем диване. Здесь по-прежнему не комфортно. Для более-менее удобного положения, придется ехать вдвоем. Передние сидения имеют примитивные механизмы регулировки, подогрев возможен только в расширенной комплектации.

Багажное отделение имеет внушительный объем – 430 литров. Но и здесь не все так сказочно, поскольку для увеличения стандартной глубины придется вооружиться отверткой, чтобы демонтировать диван заднего сиденья. Голыми руками АвтоВАЗ не взять.

Технические характеристики

Технические характеристики Lada Priora 2021 остались прежними. Перед нами встает выбор между двумя, уже знакомыми силовыми агрегатами:

  • Бензиновый 1,6 – литровый мотор с мощностью 106 лошадиных сил;
  • Бензиновый 1,8 – литровый мотор с мощностью 123 лошадиные силы.

За что упрекают владельцы Ладу Приору в эксплуатации?

Машина оказалась слишком «деревянной», как выражаются многие покупатели в своих комментариях и отзывах. Жесткая подвеска не требует постоянного обслуживания, но и комфорт не предлагает. В комплектациях за доступные деньги были руль, педали и колеса, больше ничего примечательного в машине производитель не реализовал. Также в расширенных отзывах и среди мнений специалистов можно выделить следующие важные минусы авто:

  • роботизированная коробка передач, которая дебютировала в 2015, оказалась не слишком надежной, а ее ремонт выливается владельцам в невероятные суммы, так что это явный недостаток;
  • салон из простейшего пластика, который постоянно скрипит и издает не самый приятный запах, ткань на сидениях быстро изнашивается, нужно покупать какие-то чехлы, на кнопках стираются обозначения;
  • качество двигателей сложно оспорить, но надежность моторов оказалась под вопросом, некоторые владельцы 16-клапанных агрегатов столкнулись с необходимостью капремонта очень рано;
  • автомобиль вообще не подходит для дальних поездок, в таких путешествиях нужно выдумывать какие-то улучшения для сидений, иначе спина водителя и пассажиров просто разваливается;
  • машину приходилось серьезно дорабатывать, устанавливая другую оптику, некоторые детали салона, улучшая звукоизоляцию, а также выполняя хороший антикор каждые 3-4 года.

Но даже несмотря на такие недостатки, мы готовы простить Приоре многое, так как авто за годы выпуска стало народным и понравилось многим российским семьям. Для кого-то это была единственная возможность купить более или менее достойный новый автомобиль. Кто-то просто поддержал отечественного производителя и остался доволен покупкой. Найти какие-то поразительные минусы в конструкции автомобиля не удастся, так как эта самая конструкция крайне простая.

Безопасность

Набор опций безопасности довольно скромный. У вас есть возможность оборудовать свой автомобиль:

  • Подушкой безопасности со стороны водителя;
  • Креплением для детских сидений;
  • АБС, ЕБД;
  • Системой вспомогательного торможения;
  • Двумя подголовниками заднего дивана;
  • Охранной сигнализацией.

Последние два пункта не доступны в стандартной комплектации. На этом список изменений для создания безопасности заканчивается. Безусловно, производителю есть куда стремиться.

Стоит ли продавать подержанную Приору после прекращения выпуска?

Ответить на этот вопрос непросто, так как это очень индивидуальный фактор. В одном случае стоит задуматься над продажей, если вы хотите купит новый автомобиль. Но рассчитывать на то, что цена машины опуститься после заявления АвтоВАЗ о прекращении производства, не следует. Скорее всего, это никак не повлияет на продажи на вторичном рынке. А вот если вы хотите купить новую Priora, самое время позаботиться о такой покупке.

По вторичному рынку можно лишь дать несколько советов:

  • не следует спешить с выводами, так как запчасти АвтоВАЗ продолжает выпускать, обслуживать машину вы и дальше сможете с помощью оригинальных комплектующих без трудностей;
  • отечественный транспорт имеет неплохой ресурс, особенно с механическими коробками передач и младшими типами двигателей, авто может проездить до 300-350 тысяч км без больших поломок;
  • модификации с роботом можно готовит на продажу уже к 100 000 км пробега, так как вынужденный ремонт РКП окажется серьезным ударом по бюджету российской семьи, и это не хорошая новость;
  • продавать также следует машину в том случае, если замечены серьезные кузовные разрушения, ремонтировать и варить кузов практически во всех случаях экономически невыгодно для владельца;
  • не спешите сбрасывать стоимость авто, так как за Priora в хорошем состоянии покупатели могут отдать неплохие деньги, нужно лишь дождаться того покупателя, которому понравится ваше авто.

Продажа Приоры — исключительно личное дело каждого владельца. Скорее всего, ситуация с завершением производства никак не зацепит вторичный рынок, авто продолжит котироваться на нем еще несколько лет, как минимум. Многие экземпляры имеют возрастной ресурс 12-15 лет, так что и через 10 лет мы все еще будем помнить об этой модели АвтоВАЗ, как сегодня помним о «Десятке», к примеру. Так что поспешных решений принимать не стоит.

Комплектации

Новая Лада Приора представлена в четырех комплектациях:

  • Стандарт. Электроуселитель руля, 13-дюймовые диски, запаска в комплекте, дневные ходовые огни, АБС, ЕБД, маршрутный компьютер, регулировка ремней безопасности по высоте.
  • Норма и Норма Климат. Начиная с этой комплектации, добавляются подголовники задних сидений, иммобилайзер, охранная сигнализация, брызговики, противосолнечный козырек с зеркалом на пассажирском сиденье, гидроуселитель руля, центральный замок с дистанционным управлением, 14-дюймовые диски. В версии Норма Климат – климатическая система и подогрев передних сидений.
  • Комфорт. Все прелести комплектации Норма Климат плюс мультимедийная система с 7-дюймовым сенсорным дисплеем, поддержкой USB- носителей и SD-карт, Блютуз.
  • Имидж. Специально разработанный дизайн интерьера Special Edition, 15-дюймовые диски и 14-дюймовое запасное колесо.

Каждая последующая комплектация все меньше отличается от предыдущей. Радует, что цена так же повышается незначительно.

Будет ли новая модель вместо Приоры — какие планы АвтоВАЗ?

Скорее всего, компания готовит место для новых моделей, снимая с производства устаревшие и не столь логичные автомобили. Но это вряд ли будут замены для Приоры и Калины. Проблема в том, что седаны B-класса перенасытили модельный ряд компании, нужны и другие сегменты, которые смог бы покрыть АвтоВАЗ своей продукцией. Пока конкретные планы существуют только на бумаге, и они могут сильно измениться. Тем не менее, можно смело заявлять о таких вариантах действий концерна:

  • снятие с производства автомобилей, которые начали терять свою ликвидность на рынке новых машин, со временем это ждет даже Гранту, которую не так давно обновили и выпустили фейслифт;
  • предложение совершенно другой концепции развития Lada, как совместного предприятия с Renault-Nissan, выбор технологий, которые можно было бы внедрить для российского производства;
  • создание 5-6 новых моделей, которые не заменят старые, а создадут полностью новый облик производителя и сделают его более выгодным в глаза клиентов, помогут поднять имидж компании;
  • постоянное обновление предложенного ассортимента, чтобы не допускать устаревания моделей, то есть работа по принципу современных европейских концернов в своих выгодных нишах;
  • постепенное дополнение модельного ряда и вывод тех моделей, которые не оправдывают ожидания по продажам, это поможет оставаться компании прибыльной и интересной для инвесторов.

Такое развитие обеспечит не только рост АвтоВАЗ, как концерна, но и постоянное появление новинок отечественного автотранспорта. Конечно, залогом успеха в такой модели станет именно качество производства. Россияне готовы покупать машину пусть и не с самой лучшей внешностью, но комфортную, выносливую и качественную. Пока бюджетный сегмент предлагает не так много подобных вариантов, и на этой волне Lada может стать любимым национальным производителем.

Предлагаем посмотреть напоследок обзор Lada Priora:

Бедный на опции салон

Во внутреннем облике автомобиля изменений произошло гораздо больше. Можно даже сказать, что интерьер поменялся полностью. И не удивительно, ведь его разработкой занимались итальянские дизайнеры. Салон отделан устойчивым к повреждениям, приятным на прикосновение материалом, двери снабдили достаточно мощными динамиками. Современная Лада Приора 2021 2021 года может похвастаться дорогой комплектацией, среди которой:

  • сенсорный дисплей;
  • мультимедийная система;
  • круиз контроль.

Для развлечения пассажиров салон снабдили неплохой развлекательной системой. Новейшая навигационная система способна показать правильный путь в любой местности. Подверглись изменениям и сидения автомобиля, которые «выросли» в высоту на целых 40 мм. Как видно на фото обновленной Лада Приора 2021 года, для большего комфорта им придали более изогнутую форму и добавили боковую поддержку высокой плотности.

Благодаря увеличенному диапазону регулировки руля, сегодня этот автомобиль рассчитан на 2-х метровых водителей, которые будут себя в нем чувствовать вполне уютно. Для дополнительного комфорта спинки сидений можно регулировать при помощи специального механизма, а система обогрева посадочных мест не позволит замёрзнуть даже в лютый мороз. Все изменения салона можно посмотреть на фото и видео Лады Приоры после рестайлинга.

Подводим итоги

Современные автомобили — это не привилегия концерна АвтоВАЗ, по крайней мере, до сегодняшнего дня. Но компания стремится изменить свой статус и получить большее признание в своем государстве и за его пределами. Сегодня купить новую Lada уже не так непривычно, как ранее. Компания начала продвигать свои новые модели, которые оказались вполне качественными, выносливыми, интересными в плане внешнего вида. Автомобили отличаются неплохим характером, что позволяет им без особых трудностей занимать первые места в продажах в своем классе.

Несмотря на то, что многие покупатели недовольны ценовой политикой компании Lada, концерн продолжает развиваться и удерживать лидирующие позиции по продажам в определенных сегментах. Сегодня продукция производителя даже поставляется в страны Центральной Европы и начинает свое продвижение на этом непростом рынке. Но Lada Priora уже не будет участником этого банкета. Скорее всего, компания минимизирует модельный ряд, чтобы расширять его на новые сегменты и создавать более конструктивную конкуренцию на рынке. А что вы думаете по поводу снятия с конвейера одной из самых популярных моделей ВАЗ?

Экстерьер

Лада Приора считается одним из долгожителей отечественного автопрома. 2021 год стал для новой модели очередной ступенью эволюции. Новая модель представлена в рестайлинговой версии, фото и цена которой уже стали известны публике.

Российский автопром всегда имел противоречивую репутацию, и эта модель не стала исключением. Автокритики считают, что такое обновление имело смысл в «нулевых», а сейчас идея потеряна. Производители дают Priora еще один шанс на жизнь, начиняя обновленную модель инженерно-техническими наработками, которые появились за последние несколько лет. Лада не получила заметных изменений во внешности, кроме того, что стала несколько меньше и практичнее. Все это приправлено небольшими декоративными вставками.

Изменения передней части:

  • Капот обновленной Лады Приоры 2021 немного изменил форму. На нем появились небольшие возвышения. В отличие от предыдущей модели, они проходят не только по центральной части, но и по бокам. Традиционный вид имеет решетка радиатора. Тольяттинские производители решили, что привычный для всех трапецевидный вариант – станет неизменным элементом, опознавательным знаком марки. Крупная сетка позволяет эффективно циркулировать воздух, охлаждая внутренности.
  • Оптика. Эта позиция вызвала больше всего критики. Производитель, как и в прошлой модели, «смазал» качество используемых материалов. Галогеновая начинка не отличается эффективностью, поэтому на автоновинку сразу посыпался шквал негативных отзывов. В целом, головная оптика стала крупнее, что, по заверению производителя, все-таки повысит уровень освещенности дорожного полотна.
  • Обвес обзавелся дополнительным отверстием воздухозаборника, украшенный в стиле решетки радиатора. В целом, от носа машины остается приятное впечатление, если оценивать внешний вид. В расширенной комплектации по бокам передней части появляются противотуманные фары.

В профиль Лада Приора вполне узнаваема. Боковые стекла, основной рельеф, диаметр и форма арок сохранились с модели прошлого десятилетия. Серьезным изменениям подверглись только легкосплавные диски, получившие более современный дизайн и боковые зеркала. Последние значительно «подросли» в

размерах и стали прямоугольными. Благодаря этому улучшилась обзорность. Технические изменения доступны в «заряженных» комплектациях — дублирование поворотников на боковых зеркалах. На этом апгрейд боковой части закончен.

Заметно проработали заднюю часть автомобиля. В целом, она стала выглядеть довольно привлекательно. Багажник приобрел немного вытянутую, крышку с приподнятой вверх кромкой. Задняя оптика сохранила треугольный вид, который выгодно подчеркивает рельеф углубления номерного знака. Наличие двух противотуманок тоже не может не радовать. Выхлопная труба спрятана далеко под днищем, поэтому увидеть ее просто так не удастся.

Лада Приора: описание, двигатели, АКПП, технические характеристики

Двигатель ВАЗ 21126 1.6 л предназначен для автомобиля ВАЗ 2170 Приора. В основе этого двигателя модель 21124. Целью конструкторов было увеличение надёжности двигателя и повышение его мощности. Двигатель четырехтактный, с распределенным впрыском топлива, рядный, с верхним расположением распределительного вала. Система охлаждения двигателя — жидкостная, закрытого типа, с принудительной циркуляцией жидкости. Двигатель имеет комбинированную систему смазки: под давлением и разбрызгиванием. Читать больше проДвигатель ВАЗ 21126 1.6 …

До недавнего времени тольяттинская компания «Супер-Авто», являющаяся дочерним предприятием АвтоВАЗа, производила 1,8-литровые силовые агрегаты 21128 путём расточки цилиндров мотора 21126. Новый 28-й мотор имеет рабочий объём 1,8 л, построен на базе 16-клапанного двигателя 21126 и выпускается малыми партиями на заводе «Супер-Авто». Большее значение объёма, чем характерно для базовой конструкции, получено только за счёт использования ШПГ с увеличенной длиной хода. Поршни для этой ШПГ изготовляет концерн Federal-Mogul, а наборы коленчатых валов и шатунов закупают в Италии. Читать больше проДвигатель 21128 …

Двигатель ВАЗ-21127 может применяться для установки на автомобилях Лада Приора, Лада Калина 2 и Лада Гранта. На автомобилях LADA Vesta и LADA Xray данный мотор идет с индексом 21129 (новый блок управления под Евро-5 и адаптацией под КПП от Renault). ДВС ВАЗ-21127 это усовершенствованная модификация 1,6-литрового мотора ВАЗ-21126. Эти ДВС практически не отличаются. Главная особенность заключается в том, что двигатель ВАЗ-21127, в отличие от ВАЗ-21126, оснащен регулируемым впуском (оригинальной системой впуска с резонансной камерой и системой заслонок). Читать больше проДвигатель ВАЗ-21127 …

Двигатель 21116 – это доработанный вариант мотора 21114 модификации, с рабочим объемом в 1,6 литра и мощностью в 87 лошадиных сил. Этот мотор зарекомендовал себя в эксплуатации как достаточно надежный вариант, который сочетает приемистость и отличные показатели экономичности. Мотор прост в обслуживании и позволяет проводить необходимые ремонтные работы автовладельцу самостоятельно. Читать больше проДвигатель ВАЗ 21116 1,6л …

границ | Важность априорного анализа чувствительности в байесовской статистике: демонстрации с использованием интерактивного приложения Shiny

Введение

Благодаря недавнему систематическому обзору литературы по психологическим наукам мы знаем, что использование байесовских методов растет (van de Schoot et al., 2017). Однако этот обзор также выявил неприятный факт: многие прикладные пользователи байесовских методов не применяют должным образом методы или не сообщают о них. Целью данной статьи является решение одного из основных вопросов, выделенных в этом систематическом обзоре, а именно изучение влияния предшествующих распределений с помощью анализа чувствительности.Понимание влияния априорных значений, а затем принятие последующих решений по этим априорным данным, возможно, является самым сложным элементом реализации байесовских методов. Многие пользователи байесовских методов оценки пытаются избежать этой проблемы, используя «рассеянные» априорные значения, но это не всегда жизнеспособный подход, поскольку некоторым моделям требуются информативные априорные значения. Влияние априорных значений (рассеянных или иных) в значительной степени зависит от проблем, связанных со сложностью модели и структурой данных. Наша статья посвящена тому, как прозрачно исследовать влияние предыдущих распределений.

В качестве мотивирующего примера мы провели небольшое симуляционное исследование, иллюстрирующее влияние различных предварительных спецификаций на окончательные результаты моделирования. Это имитационное исследование показывает важность тщательного изучения влияния предварительных данных с помощью анализа чувствительности. Мы также разработали интерактивное веб-приложение (например, Shiny App), чтобы пользователи могли больше узнать о влиянии априорных данных и необходимости анализа чувствительности в эмпирических ситуациях. Это приложение позволяет пользователям изучить влияние различных настроек предварительного распределения на окончательные результаты модели, гарантируя, что пользователь полностью осознает существенное влияние предварительного выбора.Изучение влияния априорных данных имеет центральное значение для того, являются ли байесовские результаты жизнеспособными, полностью понятными и правильно переданными. Наше приложение Shiny помогает проиллюстрировать эту проблему.

Цели текущей статьи

Данная статья предлагает читателям пошаговый способ осмысления байесовской статистики и использования априорных значений. Априорные распределения оказываются одним из наиболее важных элементов любого байесовского анализа, в основном из-за того, какой вес и влияние они могут иметь в отношении окончательных результатов моделирования и существенных выводов.Наши цели следующие:

1. Познакомьте читателей с байесовскими методами и использованием априорных значений. Мы стремимся сделать документ доступным для людей, представляющих широкий спектр статистических знаний, а также из самых разных областей.

2. Проиллюстрируйте тот факт, что изучение влияния априорных данных является невероятно важной задачей при интерпретации окончательных результатов моделирования в условиях прикладного исследования. Мы используем небольшое симуляционное исследование, чтобы проиллюстрировать этот момент.

3. Представить новое интерактивное приложение Shiny, которое мы разработали, чтобы помочь визуализировать важные элементы предыдущего анализа чувствительности.

4. Продемонстрируйте потенциальное влияние предшествующих событий на эмпирическом примере с использованием интерактивного приложения Shiny и предоставленных нами данных, которые предоставляют читателям инструмент для изучения предшествующих воздействий на практике.

5. Представьте набор часто задаваемых вопросов, касающихся априорных данных и априорного анализа чувствительности, а также откровенные ответы на каждый вопрос.

Предполагаемая аудитория и организация статьи

Этот документ предназначен для начинающих пользователей байесовской методологии. Мы разработали документ, чтобы помочь студентам и исследователям из самых разных статистических областей. Например, студенты бакалавриата могут найти приложение Shiny полезным для экспериментов с некоторыми основами байесовской статистики и визуализации того, как выглядят различные предварительные настройки. Более продвинутые аспиранты или исследователи могут счесть симуляционное исследование полезной иллюстрацией для понимания важности предшествующих анализов чувствительности.В свою очередь, они также могут счесть приложение, представленное в Shiny App, особенно полезным для понимания конкретного влияния априорных оценок на представленную здесь модель. Документ и приложение Shiny были созданы для студентов и исследователей из самых разных областей социальных и поведенческих наук, и все материалы для реконструкции представленных здесь анализов доступны в Интернете по адресу: https://osf.io/eyd4r. /.

Оставшаяся часть этого документа организована следующим образом. В следующем разделе освещаются основные причины, по которым можно потенциально захотеть использовать байесовские методы в контексте прикладных исследований.Одна из основных причин, которую мы рассматриваем в этом разделе, заключается в том, что некоторые исследователи могут захотеть включить предыдущие знания в процесс оценки. Обычно это делается с помощью так называемого априорного распределения (или до ), и в следующем разделе описывается потенциальное влияние априоров. Этот раздел особенно актуален для приложения Shiny, которое мы разработали, и проблемы, связанные с априорными данными, в значительной степени остаются ключевыми для распознавания случаев неправильного использования или неточности байесовских методов.

Далее мы представляем информацию о модели множественной регрессии, на которую есть ссылки в последующих разделах. Затем мы представляем небольшое симуляционное исследование, целью которого является выявление влияния различных предварительных настроек на точность полученных окончательных оценок модели. Эти результаты подводят к важности проведения предварительного анализа чувствительности. В следующем разделе представлена ​​информация о нашем приложении Shiny, о том, как оно работает и какую пользу читатели могут извлечь из его использования.Мы подчеркиваем, как приложение можно использовать, чтобы узнать больше о важном вопросе предварительного анализа чувствительности в байесовской статистике, а также мы предоставляем интерактивную платформу для читателей, чтобы они могли глубже понять описанные здесь вопросы. Наконец, документ завершается обсуждением часто задаваемых вопросов, касающихся предшествующего анализа чувствительности, а также окончательными соображениями о важности прозрачности в исследованиях, проводимых с использованием байесовской модели оценки.

Почему байесовские методы полезны в прикладных исследованиях?

Существует множество причин, по которым исследователь может предпочесть байесовское оценивание традиционному, частотному (например, частотному).г., максимальное правдоподобие) оценка. Основные причины использования байесовских методов следующие: (1) модели слишком «сложны» для традиционных методов (см., например, Depaoli, 2013; Kim et al., 2013; Cieciuch et al., 2014; Depaoli and Clifton, 2015; Zondervan-Zwijnenburg et al., 2019), (2) доступны лишь относительно небольшие размеры выборки (см., например, Zhang et al., 2007; Depaoli et al., 2017a; Zondervan-Zwijnenburg et al., 2019). ), (3) исследователь хочет, чтобы включил исходную информацию в процесс оценки (см.g., Zondervan-Zwijnenburg et al., 2017), и (4) предпочтение отдается типам результатов, которые дают байесовские методы (см., например, Kruschke, 2013). Важно отметить, что независимо от причин, по которым были реализованы байесовские методы, всегда важно включать анализ чувствительности априорных значений. В последующих разделах мы более подробно обсудим этот вопрос априоров.

Что мы знаем о влиянии приоров?

Байесовская литература (с использованием данных моделирования и прикладных данных) выявила несколько важных результатов, связанных с потенциальным влиянием предшествующих распределений на окончательные результаты моделирования.Некоторая литература показала, что априорное влияние сильно зависит от сложности модели, и невероятно важно полностью изучить влияние априорных оценок на окончательные оценки модели. В этом разделе мы раскроем этот вопрос немного подробнее, выделив причины, по которым может возникнуть желание изучить свои априорные данные.

Priors может повлиять на результаты (иногда в значительной степени!)

Одной из причин, по которой использование байесовских методов считается спорным, является представление о том, что априорные значения могут (и влияют!) влиять на окончательные результаты модели.В практическом смысле это означает, что у исследователя может быть очень твердое мнение о значениях параметров модели, и это мнение (через априорную информацию) может влиять на окончательные оценки модели. В байесовском контексте существует множество исследовательских сценариев, в которых информативные (или заданные пользователем) априорные значения влияют на окончательные оценки модели. Некоторые примеры включают исследования с использованием таких моделей, как смешанная модель латентного роста (Depaoli et al., 2017b; van de Schoot et al., 2018), аналитическая модель подтверждающих факторов (Golay et al., 2013) и логистической регрессии (Heitjan et al., 2008).

Верно и обратное: литература показала, что полностью размытые априорные значения могут также влиять на окончательные результаты модели. Хотя байесовская теория указывает на то, что большие размеры выборки могут превзойти (или переполнить) информацию в априорной модели (см., например, Ghosh and Mukerjee, 1992), некоторые исследования показывают, что диффузные априорные оценки могут влиять на окончательные оценки модели даже при больших размерах выборки — иногда в неблагоприятным образом. Примеры моделирования ситуаций, когда диффузные априорные данные, как было показано в моделировании, отрицательно влияют на окончательные оценки модели, включают модели пробит-регрессии (Natarajan and McCulloch, 1998), метаанализ (Lambert et al., 2005), теория отклика элементов (Sheng, 2010), моделирование структурными уравнениями (van Erp et al., 2018), из которых также представлены рекомендации по анализу чувствительности для моделей структурных уравнений, смешанных моделей скрытого роста (Depaoli, 2013) и многоуровневые модели структурных уравнений (Depaoli and Clifton, 2015). Во всех этих случаях исследователи обнаружили, что диффузные априорные факторы оказали существенное (негативное) влияние на полученные оценки.

Для одних параметров труднее получить точные оценки, чем для других.В частности, более сложные модели (особенно в сочетании с меньшими размерами выборки) могут потребовать дополнительной информации для определенных параметров модели, чтобы дополнить более плоские вероятности. Например, в некоторых наших собственных исследованиях дисперсии может быть труднее оценить, чем средние, когда вероятность относительно более пологая (и более пиковая для среднего). Модели со многими параметрами, которые трудно оценить, могут потребовать более информативных априорных значений, по крайней мере, для некоторых параметров модели.Если параметр связан с более плоской вероятностью и реализованы размытые априорные значения, то может быть недостаточно информации (от вероятности данных или априорной вероятности) для получения точной оценки. Наиболее распространенные случаи, когда эта проблема возникает, связаны с более сложными моделями (например, смешанными моделями, многоуровневыми моделями или моделями со скрытыми переменными), но проблема достаточно распространена, поэтому влияние априорных значений следует изучать независимо от информативности априорных настроек. . Важный вывод из этого должен заключаться в том, чтобы не полагаться слепо на предыдущие настройки без понимания их влияния, даже если они предназначены для диффузного или программно-определяемого значения по умолчанию.

Если априорное значение используется для включения степени (не)определенности, связанной с параметром модели, то мы ожидаем, что оно окажет какое-то влияние. Однако очень важно понимать это влияние и учитывать его при принятии существенных выводов. Поэтому байесовские эксперты часто соглашаются с тем, что важным и необходимым элементом байесовской оценки является включение анализа чувствительности априорных значений.

Что такое анализ чувствительности априоров?

Анализ чувствительности позволяет исследователю изучить окончательные результаты модели, основанные на исходном (или эталонном) априорном, по отношению к результатам, которые были бы получены с использованием других априорных значений.Многие байесовские эксперты (например, Muthén and Asparouhov, 2012; Kruschke, 2015) рекомендуют всегда проводить анализ чувствительности, и даже был разработан контрольный список (Depaoli and van de Schoot, 2017), который помогает в том, как проводить и интерпретировать такие результаты прозрачным образом. Прикладные статьи, реализующие анализ чувствительности априорных данных, см.: Müller (2012), Depaoli et al. (2017a) или van de Schoot et al. (2018).

Процесс происходит следующим образом:

1.Исследователь заранее определяет набор априорных значений, которые будут использоваться для оценки модели. Эти априорные значения могут быть априорными значениями по умолчанию из статистического программного обеспечения или могут быть заданы пользователем на основе предыдущего знания параметров модели (например, на основе простого предположения, метаанализа предшествующей литературы, интервью с экспертами по контенту и т. д.). ).

2. Модель оценивается и достигается сходимость для всех параметров модели.

3. Исследователь предлагает набор «конкурирующих» априорных значений для изучения; мы опишем, как может выглядеть этот набор априорных значений, в примерах ниже.Суть тут а не чтобы перешить оригинальную приору. Скорее, это проверка того, насколько надежными являются первоначальные результаты при изменении априорных значений и переоценке модели. Это также может быть метод, используемый для определения априорных значений, которые послужат плохим выбором для модели или вероятности — вопрос, который мы подробнее рассмотрим в ходе обсуждения.

4. Результаты получаются для «конкурирующих» априорных значений, а затем сравниваются с первоначальными результатами посредством серии визуальных и статистических сравнений.

5. Окончательные результаты модели записываются, чтобы отразить исходные результаты модели (полученные в пункте 1 из исходных априорных значений), а также представлены результаты анализа чувствительности, чтобы прокомментировать, насколько надежна (или нет) окончательная модель. результаты относятся к различным предварительным настройкам.

Последний пункт особенно важен. Систематический обзор байесовской статистики в психологических науках (van de Schoot et al., 2017) показал, что об анализе чувствительности сообщалось только в 16 случаях.2% прикладных исследований в течение 25 лет. Это означает, что в большинстве прикладных байесовских статей, опубликованных в этой области, роль или влияние априорных значений не изучались тщательно.

Одним из самых больших способов изучения роли или влияния априорных значений может быть визуальное изучение результирующих апостериорных распределений во многих различных априорных настройках. Мы расскажем о некоторых важных способах визуализации априорных данных и результатов анализа чувствительности в следующем разделе при представлении нашего интерактивного приложения Shiny.

Наглядные пособия здесь особенно важны, потому что они могут помочь исследователю легче определить: (1) насколько различны или сходны апостериорные распределения при формировании разных настройки) по существу важно. В конце концов, этот последний пункт действительно важнее всего. Если несколько наборов априорных значений дают немного разные апостериорные оценки, но результаты по существу сопоставимы, то результаты демонстрируют стабильность (или устойчивость) при различных априорных настройках.В этом случае исследователь может быть более уверенным в том, что предварительная установка не оказывает существенного влияния на основные выводы.

Можно понять, что эти последние утверждения означают, что мы подразумеваем, что противоположные результаты будут каким-то образом отрицательными или плохими. Другими словами, есть ли проблема, если результаты моего анализа чувствительности показывают, что результирующие апостериорные изменения существенно значимы при изменении априорных? Ответ — нет. Здесь не обязательно «проблема». Для исследования, основанного на теории, невероятно информативно обнаружить, что результаты зависят от конкретной теории (т.д., предшествующий) реализуется. Это вовсе не плохой результат . Это просто тот, который требует немного больше внимания при описании. Какими бы ни были результаты анализа чувствительности (например, стабильны результаты или нет), они должны быть подробно изложены в разделах документа, посвященных результатам и обсуждению. Эти результаты могут быть представлены в виде визуальных изображений апостериорных показателей из нескольких наборов априорных данных, определенных с помощью анализа чувствительности. Аналогичным образом, результаты также могут быть представлены в статистической форме, где процентное «смещение» или отклонение вычисляется для оценок параметров, полученных при различных предварительных настройках.Другой альтернативой при работе с диффузными априорными данными может быть отчет о результатах по ряду диффузных априорных значений в качестве основного анализа. Эта тактика может облегчить иллюстрацию неопределенности, связанной с точной априорной спецификацией, особенно если различные размытые априорные данные дают разные результаты.

Если априорные значения сдвинуты лишь на небольшую величину в анализе чувствительности и очень разных результатов, то было бы полезно внимательно изучить код модели, чтобы убедиться, что все указано правильно.Тем не менее, незначительные и умеренные сдвиги в существенных выводах не вызывают беспокойства, и их следует просто сообщать вместе с выводами, а затем рассматривать в разделе обсуждения, чтобы узнать что-то о надежности результатов при различных предыдущих условиях.

Обратите внимание, что исходные предыдущие настройки не изменяются в процессе анализа чувствительности. Вместо этого представлены результаты анализа чувствительности, и их можно использовать в качестве доказательства того, что априорные значения должны быть каким-то образом сдвинуты в будущем анализе другого набора данных.По соображениям прозрачности важно сохранить первоначальный априор и не изменять его из-за чего-то, что было раскрыто в ходе анализа чувствительности. Это было бы примером байесовского HARKing (выдвижения гипотез после того, как результаты известны; Kerr, 1998), что так же сомнительно, как и частное HARKing.

Моделирование проверки концепции: иллюстрация влияния Priors

Далее мы представляем небольшое исследование моделирования, иллюстрирующее влияние различных предварительных настроек на окончательные оценки модели.Поскольку невозможно узнать истинное значение параметра генеральной совокупности в приложении, невозможно узнать, сколько ошибок содержится в оценках, если только не будет проведено имитационное исследование. Это симуляционное исследование закладывает основу для важности изучения предварительного воздействия в приложении, концепции, на которой мы сосредоточимся в интерактивном приложении Shiny, представленном в следующем разделе.

Модель

Для иллюстрации мы использовали модель множественной регрессии, которая является очень распространенной моделью, встречающейся в литературе по прикладной психологии.В свою очередь, он также служит основой для многих других продвинутых моделей [например, (многоуровневых) моделей смешанной регрессии или моделей скрытой кривой роста]. Эти причины делают модель множественной регрессии хорошим кандидатом для демонстрации. Кроме того, мы чувствовали, что эта модель, даже если она незнакома читателю, может быть концептуально описана и понята без глубоких базовых знаний о модели. Хотя мы ограничиваем наше обсуждение множественной регрессией, принципы предшествующего анализа чувствительности, которые мы демонстрируем, могут быть широко распространены на другие формы моделей (например,ж., модели кривой роста, подтверждающий факторный анализ, смешанные модели).

Эта модель использовалась в различных условиях исследований в области социальных наук и наук о поведении. Например, его использовали для прогнозирования успеваемости (Adeyemo, 2007), уверенности в себе (Kopala-Sibley et al., 2013) и качества сна (Luyster et al., 2011). Основа модели включает единственную (непрерывную) переменную результата, которая предсказывается несколькими различными предикторными переменными; модель можно найти на рисунке 1A.На этом рисунке есть одна переменная результата (названная «Y») и два коррелированных предиктора (названные « X 1 X 2 ») с весами регрессии β 1 − β 2 .

Рисунок 1. (A) Модель множественной регрессии, используемая в имитационном исследовании, с одной переменной результата, Y , и двумя предикторами, X 1 X 2 . (B) Модель множественной регрессии, используемая в прикладном примере, с результатом Цинизм и двумя предикторами.

Байесовские методы могут быть реализованы в этом контексте моделирования относительно простым способом. Для базовой формы модели, как показано на рисунках 1A, B, исследователь может быть особенно заинтересован в размещении информативных априорных значений весов регрессии (т. е. направленных путей на рисунке), которые связывают предикторы с результатом. В этом случае это может означать, что у исследователя есть определенное представление (или теория) о том, как соотносятся переменные, а также о том, насколько сильным предиктором может быть каждая переменная в модели.

Обычно информативность априора определяется одной из трех категорий: информативной, слабоинформативной и диффузной. Информативные априорные значения обычно понимаются как априорные с большим объемом информации, окружающей конкретный параметр. Это означает, что большая вероятностная масса колеблется над относительно узким диапазоном возможных значений параметра. Например, на рис. 2А показан информативный априорный показатель с суженной вариацией вокруг среднего значения 75.Слабоинформативным априорным является тот, который имеет больший разброс или вариацию, чем информативный априорный. Рисунок 2B иллюстрирует слабо информативную априорную ситуацию, выделяя более широкий разброс распределения. Наконец, диффузный априор — это тот, который практически не дает информации о значении параметра. Один из способов концептуализации этой априорной формы состоит в том, чтобы использовать нормальный априор с очень широкой дисперсией, что делает его фактически плоским в широком диапазоне значений. Рисунок 2C иллюстрирует диффузную предварительную настройку для нормального распределения.На всех трех графиках нормальный априор был сосредоточен на 75, но дисперсия априорных значений различалась от небольшой (рис. 2А) до большой (рис. 2С).

Рисунок 2. Примеры предшествующих. распределения, которые являются: (A) информативными, (B) слабоинформативными и (C) диффузными.

Далее мы покажем, как априорные значения могут повлиять на окончательные оценки модели, даже для такой простой модели, как модель множественной регрессии. В частности, мы провели небольшое симуляционное исследование, иллюстрирующее влияние различных предварительных настроек.

Дизайн моделирования

В имитационном исследовании использовалась модель множественной регрессии, показанная на рис. 1А. Он содержал два непрерывных предиктора, параметр корреляции, связывающий эти предикторы, и непрерывный результат. Значения совокупности для этих параметров перечислены в таблице 1. В этом моделировании мы реализовали различные наборы априорных значений для коэффициентов регрессии, связывающих два предиктора с результатом. Эти предварительные состояния перечислены в таблице 1. Всего было исследовано 11 предшествующих условий на размер выборки.

Таблица 1. Значения генеральной совокупности и условия моделирования для модели множественной регрессии.

Условия 1–5 определяют информативные априорные значения параметров регрессии, связывающие каждый из предикторов с результатом. Не все эти информативные априорные значения были правильными в том смысле, что некоторые из них имели неточные средние значения гиперпараметров для априорных значений (т. Условие 3 является правильным информативным априорным, поскольку оно сосредоточено на значении генеральной совокупности и имеет относительно узкую дисперсию.У условий 1–2 априорные значения были смещены вниз по сравнению со значением генеральной совокупности, а у условий 4–5 априорные значения были сдвинуты вверх.

Условия 6–10 представляли собой слабоинформативные априорные значения в том смысле, что гиперпараметр дисперсии был увеличен по сравнению с информативными условиями (1–5). Та же картина была показана, когда условие 8 представляло предыдущую настройку со средним гиперпараметром, который был точным для значения популяции. В условиях 6–7 средние значения гиперпараметров были смещены вниз по сравнению с истинной совокупностью, а в условиях 9–10 средние значения гиперпараметров были сдвинуты вверх.

Наконец, условие 11 представляло собой диффузный априор, в котором были реализованы настройки по умолчанию из M плюс (Muthén and Muthén, 1998–2017) для параметров регрессии. Каждое из этих состояний представляло собой либо информативные (1-5), либо слабоинформативные (6-10), либо диффузные априорные факторы. В условиях информативности и слабоинформативности задавались (по среднему гиперпараметру) либо точные априоры (3 и 8), либо сдвинутые вниз априоры (1–2, 6–7), либо сдвинутые вверх от истины априоры (4–5). , 9–10).Цель этих условий состояла в том, чтобы выделить закономерности отклонения в анализе чувствительности с упором на чувствительность результатов к среднему гиперпараметру (т. е. точности среднего априорного значения) и дисперсионному гиперпараметру (т. е. разброс распределение).

Кроме того, мы также изучили результаты по трем разным размерам выборки: n = 25, 100 и 1000. Эти размеры выборки варьировались от относительно небольших до относительно больших, и они были выбраны, чтобы предоставить информацию о том, как априорные факторы по-разному влияют на результаты. по мере изменения размеров выборки.

Всего в этой симуляции было 33 ячейки, и мы запросили 500 итераций для каждой ячейки. Все анализы проводились в M плюс версии 8.4 (Muthén and Muthén, 1998–2017) с использованием байесовской оценки с выборкой Гиббса. Для простоты все ячейки были настроены так, чтобы иметь одну цепочку для каждого параметра, с 5000 итераций в цепочке, а первая половина отбрасывалась как приработка (т. Конвергенцию контролировали с помощью потенциального коэффициента уменьшения масштаба (PSRF или R-hat; Gelman and Rubin, 1992a, b), и все цепи сходились для всех ячеек в плане при настройке 1.01 для критерия сходимости. Другой показатель, который можно проверить, — это эффективный размер выборки (ESS), который напрямую связан со степенью зависимости (или автокорреляции ) в цепочке. Zitzmann and Hecht (2019) рекомендуют, чтобы количество ESS составляло более 1000, чтобы обеспечить достаточную точность в цепочке. Результаты моделирования показали, что, несмотря на то, что части цепи после прожига составляли всего 2500 итераций, все параметры превышали минимум ESS = 1000 в исследованных ячейках.

Результаты моделирования

В таблице 2 представлена ​​относительная процентная погрешность для всех параметров модели в зависимости от размеров выборки и 11 предварительных условий. Следует отметить, что условия 3 и 8 представляют собой точные априорные значения (информативные и слабоинформативные соответственно), а условие 11 отражает размытые априорные настройки. Все остальные априорные значения либо сдвигаются вверх, либо вниз, как это было бы реализовано в анализе чувствительности. Значения, выделенные жирным шрифтом в таблице, представляют проблемные уровни смещения, превышающие ±10%.

Таблица 2. Процентная погрешность оценки параметра модели (MSE) для исследования моделирования.

Наиболее заметным открытием является то, как влияние априорных значений уменьшается по мере увеличения размера выборки. К тому времени, когда размер выборки был увеличен до n = 1000 (что было бы довольно много для такой простой модели), предыдущие настройки практически не повлияли на результаты. Однако при меньших размерах выборки, особенно при n = 25, мы видим заметное влияние на результаты.Поскольку априорные значения параметров регрессии были сдвинуты, систематическая ошибка увеличилась по величине. Этот эффект имел место в более экстремальных условиях, даже когда n = 100, что не является неразумным размером выборки, ожидаемым в прикладных исследованиях, реализующих такую ​​модель.

Среднеквадратичные ошибки (MSE) также представлены в таблице 2 для каждого параметра. MSE представляет собой меру изменчивости и систематической ошибки. Обратите внимание, что значения MSE довольно высоки для n = 25, но они уменьшаются до относительно меньшего диапазона по мере увеличения размера выборки до n = 100 и выше.Эта закономерность указывает на то, что размер выборки играет большую роль в эффективности и точности оценок, измеренных с помощью MSE. Кроме того, MSE намного больше для априорных значений, которые центрированы вдали от значения генеральной совокупности.

Практическое значение этого моделирования показало, что априорные значения могут влиять на результаты (что бесспорно в байесовской литературе), даже когда размер выборки является тем, что мы могли бы считать разумным. Этот факт делает анализ чувствительности незаменимым при изучении влияния априорных значений на окончательные результаты модели, а изучение априорного влияния особенно важно при меньших размерах выборки.На практике исследователи не знают , соответствуют ли субъективные априорные предположения истине. Мы утверждаем, что исследователи должны предполагать, что априорные значения имеют по крайней мере некоторую степень неточности, и они должны оценивать влияние априорных значений на окончательные оценки модели, помня об этом. Единственный способ по-настоящему изучить влияние априорных данных при работе с эмпирическими данными — провести анализ чувствительности.

Это доказательство концептуального моделирования обеспечивает основу для приложения Shiny, которое использует эмпирические данные для дополнительной иллюстрации важности проведения анализа чувствительности.В следующем разделе мы представляем приложение Shiny в качестве образовательного инструмента для выявления влияния предыдущих настроек. Основная цель приложения — проиллюстрировать процесс проведения анализа чувствительности, а также тип результатов, которые следует изучить и сообщить при распространении результатов анализа. В частности, мы описываем, как можно манипулировать настройками, чтобы изучить влияние априорных значений на окончательные результаты модели. Приложение Shiny можно использовать для более глубокого понимания влияния априорных оценок, а также для понимания различных элементов, необходимых для правильного отображения результатов анализа чувствительности.

Анализ чувствительности в действии: интерактивное приложение

Чтобы проиллюстрировать важность и использование предварительного анализа чувствительности, мы создали интерактивное приложение с использованием rstan (Stan Development Team, 2020 г.), Shiny (Chang et al., 2020 г.) и RStudio (R Core Team, 2020 г.; RStudio Team, 2020 г.). ). Доступ к приложению можно получить онлайн по адресу https://ucmquantpsych.shinyapps.io/sensitivityanalysis/. Кроме того, он доступен для загрузки на Open Science Framework. Чтобы запустить приложение на своем персональном компьютере, откройте файл ui.R и server.R в RStudio и нажмите ссылку «Запустить приложение» в верхнем правом углу раздела R Script окна RStudio. За дополнительной информацией о Shiny Apps обращайтесь к команде RStudio (2020).

Наше приложение состоит из семи разных вкладок, каждая из которых содержит информацию, которая поможет пользователю понять, как оценить существенное влияние предварительного выбора. При первой загрузке приложения по умолчанию используется первая вкладка. На этой вкладке представлено приложение, описаны основные этапы анализа чувствительности и описаны другие вкладки приложения.На второй вкладке представлен вымышленный исследователь и его исследование. В частности, исследователь собрал выборку из 100 участников, чтобы выяснить, предсказывает ли пол человека или отсутствие доверия к другим цинизм человека (см. Рисунок 1B для иллюстрации модели). На вкладке обсуждаются априорные распределения, указанные исследователем. Хотя большинство априорных распределений относительно диффузны (т. е. плоские), исследователь указывает информативный априор для регрессионного эффекта цинизма на недоверие.Остальная часть вкладки посвящена оценке апостериорных результатов исходного анализа с использованием графиков трассировки, апостериорных графиков плотности и гистограмм, а также соответствующих сводных статистических данных [например, апостериорное среднее, SD, 90% интервала максимальной апостериорной плотности (интервал HPD) ].

В следующих четырех вкладках пользователи могут указать альтернативные априорные распределения для каждого параметра в модели: пересечение цинизма (третья вкладка), регрессионное влияние цинизма на пол (четвертая вкладка), влияние цинизма на недоверие ( пятая вкладка) и остаточная дисперсия цинизма (шестая вкладка).На этих вкладках априорные значения для других параметров остаются постоянными. Пользователь может указать и оценить влияние двух альтернативных предыдущих распределений одновременно. Каждый раз, когда указывается новый набор априорных значений, с помощью пакета rstan запускаются дополнительные анализы. Вкладки содержат визуальные и числовые сравнения, которые могут помочь оценить влияние указанных предыдущих распределений.

На седьмой вкладке пользователи могут комбинировать альтернативные априорные спецификации из предыдущих четырех вкладок, чтобы исследовать комбинированное влияние альтернативных априорных оценок на апостериорные оценки.Использование приложения будет продемонстрировано в следующем разделе.

Процесс анализа чувствительности

В этом разделе мы будем использовать приложение Shiny для выполнения и отчета об анализе чувствительности. Первым шагом является определение исходных (сравнительных) априорных значений, которые должны быть реализованы в расследовании. Затем исследователь проведет анализ чувствительности, чтобы проверить надежность результатов при различных предварительных спецификациях. Исследователь должен указать альтернативные априорные значения для изучения в процессе анализа чувствительности.В этом разделе мы остановимся на анализе чувствительности для двух параметров модели, оба из которых можно получить с помощью нормального распределения. Хотя существует много форм распределения, которые могут принимать априорные распределения, нормальное распределение является эффективной отправной точкой, поскольку оно наглядно иллюстрирует различные формы, которые может принимать нормальное априорное распределение. В результате мы обсуждаем анализ чувствительности с точки зрения этого априора, но важно признать, что проблемы и процессы, которые мы выделяем, могут быть распространены на другие формы распределения.Например, анализ чувствительности для остаточной дисперсии цинизма также можно проверить через приложение. Приоритет для этого параметра соответствует обратному гамма-распределению (IG). В дополнение к сопряженным распределениям (т. е. априорное и апостериорное распределения находятся в одном и том же семействе вероятностных распределений), используемым в приложении, также можно исследовать несопряженные априорные распределения (например, эталонный априорный). Мы не включали альтернативные, несопряженные дистрибутивы в наше приложение, так как считали, что это будет отвлекать от его основной педагогической цели.Для получения дополнительной информации о несопряженных априорных значениях см. Gelman et al. (2014, стр. 36+). Пример описания предыдущего анализа чувствительности можно увидеть в Приложении.

Указание априорных значений для некоторых параметров модели

Приоры указаны по всем параметрам модели. В этом примере мы сосредоточимся только на двух параметрах модели, чтобы проиллюстрировать процесс анализа чувствительности. Эти два параметра являются коэффициентами регрессии, связывающими два предиктора с результатом Цинизм .Отдельный анализ чувствительности может быть проведен по каждому параметру, а другой анализ исследует объединенную спецификацию априорных значений. Этот последний комбинированный анализ помогает точно определить совокупное влияние набора альтернативных априорных значений на все параметры модели.

Параметр 1:
Цинизм на Секс

Исследователь может изучить конкурирующие предшествующие спецификации на предмет влияния Цинизм на Секс . Например, если эксперты первоначально предположили, что эффекта Пол не было, то можно было бы указать априор, такой как N (0,10), где основная часть распределения сосредоточена вокруг нуля.Обратите внимание, что этот априор слабо информативен вокруг нуля (т. Е. Он все еще содержит достаточный разброс относительно среднего значения, в отличие от строго информативного). Ради этого примера эту априорную настройку можно рассматривать как исходную априорную в анализе.

Альтернативные априорные спецификации могут быть изучены с помощью анализа чувствительности, чтобы изучить влияние различных априорных оценок (возможно, отражающих различные существенные теории) на окончательные результаты модели. Например, другая теория может утверждать, что мужчины (кодированные как 1) обладают более высоким уровнем цинизма, чем женщины, что предполагает положительный эффект.Информативное априорное значение, сосредоточенное вокруг положительного значения, может быть исследовано для проверки этого априорного убеждения: например, N (5, 5). В качестве альтернативы, могут быть конкурирующие исследования, которые показывают, что мужчины обладают более низким уровнем цинизма, чем женщины, что предполагает негативный эффект. Информативное априорное значение, сосредоточенное вокруг отрицательного значения, можно исследовать, чтобы изучить влияние этого априорного убеждения на апостериорные результаты: N (-10, 5). Эти априорные настройки приведут к исходной априорной и двум альтернативным спецификациям, таким как:

• Оригинал = N (0, 10)

• Альтернатива 1 = N (5, 5)

• Вариант 2 = N (−10, 5).

График, иллюстрирующий эти предшествующие различия, можно найти на рисунке 3.

Рисунок 3. Альтернативные априорные распределения для Пол как предиктор Цинизм .

Параметр 2:
Цинизм на Недоверие

Для этого существенного примера, предсказывающего цинизм (рис. 1B), мы можем предположить, что исследователи основывали свои предыдущие спецификации распределения на предыдущих исследованиях, указывая на то, что Отсутствие доверия имело сильную положительную связь с Цинизм .В частности, предположим, что исходный априор (указанный исследователями) был установлен на N (6, 1), где значение 6 представляет собой средний гиперпараметр (или центр) распределения, а значение 1 представляет собой дисперсию. Эта априорная плотность с гиперпараметром дисперсии, равным 1, указывает на то, что около 95 % плотности приходится на диапазон от 4 до 8. Это относительно суженное априорное предположение предполагает, что исследователь имел относительно сильное ожидание того, что увеличение на один пункт Отсутствие доверия связано с увеличением от 4 до 8 пунктов в Цинизм .

Для этого коэффициента регрессии Цинизм на Недостаток доверия можно представить несколько конкурирующих предварительных спецификаций, каждая со своей степенью информативности. Воздействие этих других предшествующих форм можно изучить с помощью анализа чувствительности. Например, исследователь может изучить расплывчатое априорное распределение с намерением преуменьшить влияние априорного распределения и в большей степени подчеркнуть закономерности данных. В этом случае в качестве априорного можно использовать нормальное распределение, но распределение будет иметь очень большой разброс, что совпадет с отсутствием знаний о значении параметра.Одним из способов указания этого коэффициента регрессии до этого может быть N (0, 100). При такой большой дисперсии (аналогично рисунку 2C) этот априор будет в значительной степени плоским в пространстве параметров, представляя диффузный априор для этого параметра.

Другая версия предшествующей спецификации может исходить из альтернативной теории взаимосвязи между Отсутствие доверия и Цинизм . Возможно, некоторые специалисты по теме цинизма считают, что степень (или отсутствие) доверия к другим не влияет на то, насколько человек циничен.Информативное априорное значение, сосредоточенное вокруг нуля, с более узкой дисперсией по сравнению с априорным, описанным выше, отражает это априорное убеждение: N (0, 5).

Эти априорные настройки приведут к исходной априорной и двум альтернативным спецификациям, таким как:

• Оригинал = N (6, 1)

• Альтернатива 1 = N (0, 100)

• Вариант 2 = N (0, 5).

График, иллюстрирующий эти предшествующие различия, можно найти на рисунке 4.

Рисунок 4. Альтернативные априорные распределения для Отсутствие доверия как предиктор Цинизм .

Одновременный анализ априорных значений параметра 1 и параметра 2

Наконец, комбинацию каждой из этих альтернативных априорных спецификаций также можно сравнить, чтобы изучить, как априорные спецификации, согласованные с альтернативными теориями и предыдущими исследованиями, влияют на апостериорные результаты. В общей сложности мы можем использовать приложение для одновременного сравнения шести разных моделей.

Оценка конвергенции

Альтернативная предварительная спецификация может повлиять на сходимость параметров в модели. Таким образом, сходимость модели следует оценивать всегда, даже если не было проблем со сходимостью с исходной предыдущей спецификацией. Сходящаяся цепочка представляет собой точную оценку истинной формы апостериорной функции.

Например, см. рис. 5, на котором представлены два разных графика, показывающие цепочку для одного параметра. Каждый образец, извлеченный из задней части, представляет собой точку, и эти точки затем соединяются линией, которая представляет собой цепочку.Достижение стабильности или конвергенции в цепочке является важным элементом, прежде чем можно будет интерпретировать результаты. Среднее значение по оси y на рисунке 5 представляет собой среднее значение апостериорного распределения, а высота цепи представляет собой величину дисперсии в апостериорном распределении. Сходимость определяется стабильностью среднего (т. е. горизонтального центра, согласно оси y ) и дисперсии (т. е. высоты цепочки). На рисунке 5А показано, что в среднем и дисперсии этой цепочки существует большая нестабильность.Цепь не имеет стабильного горизонтального центра, и высота цепи непостоянна на всем протяжении. Напротив, на рисунке 5B показана стабильность в обеих областях, что визуально указывает на схождение. Существуют статистические инструменты, которые могут помочь в определении конвергенции, и они всегда должны сопровождать визуальный осмотр графиков, подобных показанным на рис. 5. Некоторые статистические инструменты для оценки конвергенции включают диагностику конвергенции Гевеке (Geweke, 1992) и потенциальный коэффициент уменьшения масштаба, или R-шляпу (Гельман и Рубин, 1992а, б; Гельман, 1996; Брукс и Гельман, 1998).

Рисунок 5. Две цепочки, демонстрирующие разные модели (не)конвергенции. Панель (A) показывает большую нестабильность по всему графику, что указывает на отсутствие конвергенции. Панель (B) показывает относительно стабильное горизонтальное среднее значение и дисперсию, что указывает на конвергенцию. Обратите внимание, что оба графика демонстрируют некоторую степень автокорреляции, но это выходит за рамки текущего обсуждения. Дополнительную информацию по этому вопросу можно найти здесь: Kruschke (2015) и Depaoli and van de Schoot (2017).

Начальная часть цепочки часто сильно зависит от начальных значений цепочки (которые могут быть сгенерированы случайным образом в программном обеспечении). Поэтому эта ранняя часть цепочки часто отбрасывается и называется фазой приработки . Эта часть цепочки не является репрезентативной для апостериорной, поскольку она может быть нестабильной и сильно зависеть от начального значения, которое запустило цепочку. Только фаза пост-приработки (т. е. фаза цепочки после обозначенной фазы приработки) рассматривается для построения оценки апостериорной вероятности.Пользователь обычно определяет продолжительность приработки с помощью некоторой статистической диагностики, принимая во внимание сложность модели [например, для простой регрессионной модели может потребоваться несколько сотен итераций приработки, но смешанная модель (скрытый класс) может требуется несколько сотен тысяч]. Если сходимость не достигается для параметра модели, тогда практикующий врач может удвоить (или более) количество итераций, чтобы увидеть, устраняет ли проблему более длинная цепочка. Если несовпадение по-прежнему остается, то может случиться так, что априор не очень подходит для модели или вероятности.В случае анализа чувствительности этот результат может указывать на наличие доказательств против выбора этого конкретного априора с учетом текущей модели и вероятности. Для получения дополнительной информации о конвергенции и длине цепочки см. Sinharay (2004) или Depaoli and van de Schoot (2017).

В приложении мы визуально оценили конвергенцию модели, используя кривые апостериорных цепей, и с помощью диагностики, используя R-hat и ESS. На рис. 6 показано, что кривые, R-hat (<1,01) и ESS ( >1000) по всем параметрам исходного анализа указывает на сходимость.Для этой иллюстрации на рис. 7 показаны графики трассировки анализа, в котором используются альтернативные априорные спецификации для обоих эффектов регрессии: N (-10, 5) для Пол в качестве предиктора Цинизм и N (0 , 5) для Недоверие как предиктор Цинизм . На этом рисунке мы видим, что кривая для эффекта Sex выглядит более изменчивой (хотя все еще относительно плоской) при использовании этой альтернативной предварительной спецификации; это наиболее очевидно при изучении различий осей y- на рисунках 6, 7.В целом представляется, что альтернативные априорные значения не сильно влияют на сходимость цепочки, несмотря на некоторые различия с дисперсией цепочки для коэффициента Цинизм по Пол (т. е. дисперсия для этого параметра шире на Рисунке 6).

Рис. 6. Графики исходного анализа.

Рисунок 7. Графики анализа с N (–10, 5) априорным распределением для Пол в качестве предиктора Цинизм и N (0, 5) для Отсутствие доверия в качестве предиктора предсказатель Цинизм .

Проверка апостериорных графиков плотности

Следующим шагом в анализе чувствительности является изучение того, как альтернативные априорные спецификации повлияли на апостериорные распределения параметров модели. Если апостериорные распределения очень похожи в диапазоне априорных распределений, то это означает, что апостериорная оценка устойчива к различным априорным распределениям. Напротив, если апостериорное распределение резко изменяется в результате альтернативного априорного распределения, то это показывает, что апостериорное распределение в большей степени зависит от конкретного используемого априорного распределения.Для этой иллюстрации мы сконцентрируемся на обсуждении двух альтернативных априорных распределений для Недостаток доверия в качестве предиктора Цинизм . На рис. 8 показано, что апостериорное распределение эффекта «Отсутствие доверия» изменяется в результате альтернативных априорных спецификаций. Оба апостериорных распределения смещаются в более низкий диапазон значений. Этот результат подразумевает, что на апостериорное распределение исходного анализа влияет выбранное априорное распределение и что альтернативные (более размытые) априорные распределения привели бы к несколько иным апостериорным распределениям.Кроме того, апостериорное распределение отрезка Цинизм смещается к более высокому значению для обоих альтернативных априорных распределений, указывая на существенно различное определение отрезка модели (т. е. среднее значение Цинизм , когда предикторы равны нулю). Наконец, апостериорные распределения Пол как предиктор Цинизм , по-видимому, не подвержены влиянию альтернативных априорных значений для эффекта Отсутствие доверия , в то время как остаточная дисперсия Цинизм была затронута.

Рисунок 8. Графики апостериорной плотности для исходных и альтернативных априорных значений для Отсутствие доверия как предиктор Цинизм .

Сравнение апостериорных оценок

Другой способ изучить влияние априорного распределения — вычислить процентное отклонение средней апостериорной оценки между моделями с разными априорными распределениями. Для этой иллюстрации мы снова сосредоточим наше обсуждение на двух альтернативных априорных распределениях для Недостаток доверия в качестве предиктора Цинизм .На рис. 9 показана сводная статистика анализов с альтернативными предыдущими спецификациями, полученная из приложения. Последние два столбца показывают средние апостериорные оценки исходного анализа и процентное отклонение между исходным и каждым альтернативным анализом. В соответствии со сдвигом вниз апостериорных плотностей эффекта «Отсутствие доверия » в различных предыдущих спецификациях процентное отклонение составляет -23,040% или -24,851%, в зависимости от альтернативной предварительной спецификации.Еще один способ зафиксировать влияние априорного распределения — сравнить 90% интервалы HPD и посмотреть, изменится ли основной вывод о существовании эффекта «Отсутствие доверия ». В этом случае ноль всегда находится за пределами 90% интервала HPD, независимо от априорного распределения, используемого в анализе. Таким образом, основной вывод о роли Недостаток доверия в качестве предиктора Цинизм не меняется в рассмотренных здесь предыдущих распределениях.

Рисунок 9. Апостериорные оценки для альтернативных априорных значений для Отсутствие доверия как предиктор Цинизм .

Дополнительные рекомендации по использованию приложения

Мы создали приложение таким образом, чтобы пользователи не могли изучить комбинацию различных априорных значений в модели, прежде чем указывать и рассматривать каждое из них по отдельности. Это конструктивное решение было принято по педагогическим соображениям. Мы считаем, что изучение каждого предшествующего события в отдельности полезно при первоначальном изучении предшествующего воздействия.Практика изменения предыдущей настройки и отслеживания последующих изменений обеспечивает визуальный опыт обучения, который расширяет возможности обсуждения анализа чувствительности. Однако на практике реализация и вариация априоров более сложны. В оцениваемой окончательной модели комбинация априорных значений является основным аспектом, который имеет значение. Есть исследования, подчеркивающие, что априорные значения в одном месте модели могут влиять на результаты в другом месте (см., например, Depaoli, 2012). Из-за этого важно исследовать результаты с комбинацией априорных значений, реализованных одновременно.Эти результаты отражают истинное влияние предыдущих настроек (в отличие от изучения одного параметра за раз). Хотя это приложение позволяет пользователю проверять по одному априорному за раз (в качестве инструмента обучения), мы отмечаем, что это может быть неосуществимой практикой в ​​некоторых контекстах моделирования. Например, некоторые модели теории ответов на вопросы имеют тысячи параметров, и было бы целесообразно исследовать только комбинацию априорных значений (а не по одному за раз).

Приложение было разработано для повышения педагогичности визуальной демонстрации анализа чувствительности.Тем не менее, мы предупреждаем читателя, что именно комбинация предварительных установок определяет существенное влияние предшествующих факторов.

Заключение

Наша цель состояла в том, чтобы представить примеры (посредством моделирования и применения), иллюстрирующие важность предварительного анализа чувствительности. Мы представили приложение Shiny, которое помогает проиллюстрировать некоторые важные аспекты изучения результатов анализа чувствительности. Мы отформатировали текущий раздел, чтобы ответить на часто задаваемые вопросы (FAQ), чтобы предоставить краткий обзор наиболее важных компонентов для прикладных исследователей, на которых следует сосредоточиться.

Часто задаваемые вопросы о предварительном анализе чувствительности

(1) Почему анализ чувствительности важен в байесовской концепции и что мы можем извлечь из него?

Анализ чувствительности во многом является одним из наиболее важных элементов, необходимых для полного понимания байесовских результатов в условиях прикладного исследования. Исследование моделирования и демонстрация, представленная в приложении Shiny, показали, что априорные значения могут оказывать существенное влияние на апостериорное распределение.Без анализа чувствительности невозможно отделить влияние априорных данных от роли, которую данные играют на этапе оценки модели. Анализ чувствительности может помочь исследователю понять влияние априорных данных по сравнению с влиянием данных. Другими словами, этот анализ может помочь установить, насколько теория [т. е. благодаря обоснованной теории или отсутствию теории (например, диффузные априорные данные)] влияет на окончательные результаты модели и насколько результаты обусловлены закономерностями в выборочных данных.

(2) Сколько различных предварительных условий я должен проверить во время анализа чувствительности? Другими словами, насколько обширным должен быть анализ чувствительности?

В статистике есть поговорка (или шутка), что ответом на любой статистический вопрос является «это зависит». Это высказывание, безусловно, верно здесь. В данном случае однозначного ответа на этот вопрос нет, и он действительно зависит от нескольких факторов. Объем анализа чувствительности будет зависеть от сложности модели, предполагаемой роли априорных значений (т.g., информативный или диффузный) и задаваемый вопрос (вопросы) по существу. Есть некоторые общие рекомендации, которые мы можем предоставить. Например, если в исходном анализе реализованы диффузные априорные значения, то, вероятно, будет неуместно включать информативные априорные значения в анализ чувствительности. Вместо этого практикующему врачу лучше протестировать различные формы диффузных априоров. Однако, если в первоначальном анализе использовались информативные априорные значения, то в анализе чувствительности было бы рекомендовано изучить различные формы информативных априорных значений, а также размытые априорные установки.Практикующий специалист должен тщательно взвесить эти различные аспекты и принять соответствующее решение относительно объема анализа чувствительности. Основная цель здесь — понять влияние и роль, которую играет каждый априор. Для достижения этой цели не существует установленных правил, поскольку все исследовательские сценарии будут существенно различаться.

(3) Как лучше всего отобразить результаты анализа чувствительности?

Не хочу заимствовать слишком много из предыдущего FAQ, но ответ на текущий вопрос зависит от: (1) того, что показывают результаты анализа чувствительности, (2) сложности модели — т.е.е., количество параметров модели и (3) количество условий, рассмотренных в анализе чувствительности. В случае, когда результаты относительно схожи в различных предшествующих условиях, исследователь может выбрать пару предложений, указывающих на объем анализа чувствительности и сопоставимость результатов. Однако в случае, когда результаты изменяются, когда априорные значения различаются (например, как в некоторых примерах, представленных в нашем приложении Shiny), исследователь может выбрать более крупное отображение результатов.Это может быть представлено с помощью визуальных средств, подобных графикам Shiny App, которые мы представили (например, рисунки 3, 4, 8, 9), или это может быть в формате таблицы, указывающей степень несоответствия в оценках или интервалах HPD по параметрам. В крайних случаях, когда есть десятки параметров, пересекающихся со многими условиями анализа чувствительности, исследователю может потребоваться поместить большую часть результатов в онлайн-приложение и просто описать результаты в тексте рукописи. Многое из этого будет зависеть от степени различий, наблюдаемых в ходе анализа чувствительности, а также от ограничений места в журнале.Важным моментом является то, что результаты должны быть представлены в какой-то ясной форме (через текст, изображения или таблицы результатов), но то, как это будет выглядеть, во многом будет зависеть от характера исследования и полученных результатов.

(4) Как следует интерпретировать результаты анализа чувствительности?

Результаты анализа чувствительности не предназначены для изменения представленных окончательных результатов модели. Вместо этого они полезны для правильной интерпретации влияния предшествующих настроек.Это может быть полезно для понимания того, какое влияние имеют априорные значения, а также насколько устойчивы окончательные оценки модели к различиям в априорных настройках — будь то небольшие или большие различия в априорных значениях. Результаты анализа чувствительности должны сообщаться вместе с полученными окончательными оценками модели (т. Эти результаты можно использовать для поддержки раздела обсуждения, а также для более четкого понимания окончательных оценок. Кроме того, выше мы обсуждали альтернативу, касающуюся отчета о результатах анализа чувствительности при реализации диффузных априорных значений.В этом сценарии практикующий специалист может выбрать отчет о результатах по ряду разбросанных априорных данных в качестве окончательного анализа. Это стратегия, которая может помочь осветить любую неопределенность, связанную с точной априорной спецификацией, если разные формы диффузных априорных значений дают разные результаты. Наконец, если процесс анализа чувствительности дает априорное значение (или набор априорных значений), которое дает бессмысленные результаты в соответствии с апостериорным (например, апостериорное значение не имеет смысла, см. Depaoli and van de Schoot, 2017) или приводит к цепочкам которые не сходятся, то это может быть признаком плохого предварительного выбора с учетом модели или вероятности.В этом случае следует описать априорную ситуацию и результаты, и может быть полезно объяснить, почему эта априорная установка может оказаться нежизнеспособной, учитывая полученные плохие результаты.

(5) Что произойдет, если существенные результаты различаются в предыдущих настройках, реализованных в анализе чувствительности?

Поначалу может показаться неудобным получать результаты анализа чувствительности, которые показывают, что априорные факторы оказывают сильное влияние на окончательные оценки модели. Тем не менее, это действительно не точка беспокойства .Предположим, что результаты анализа чувствительности показали, что даже незначительное колебание предыдущих настроек изменило конечные результаты модели значимым (т. е. существенным) образом. Это важный вывод, поскольку он может указывать на то, что точная теория, используемая для определения априорной спецификации (потенциально), оказывает большое влияние на окончательные результаты модели. Обнаружение этого открытия может помочь глубже понять, насколько стабильна модель (или теория). Напротив, если результаты модели относительно стабильны при различных априорных настройках, то это указывает на то, что теория (т.е., предыдущее) оказывает меньшее влияние на выводы. В любом случае, результаты интересны и должны быть подробно описаны в ходе обсуждения. Понимание роли, которую играют априорные данные, в конечном итоге поможет создать более совершенные и обоснованные теории в этой области.

(6) Как записать результаты анализа чувствительности?

Результаты анализа чувствительности должны быть включены в основную часть раздела результатов любого прикладного байесовского документа. Окончательные оценки модели могут быть представлены и интерпретированы на основе реализованных исходных предварительных настроек.Затем можно представить отчет об анализе чувствительности в контексте построения более глубокого понимания влияния априорных данных. Байесовские результаты могут быть полностью поняты только в контексте влияния конкретных реализованных предварительных настроек. После сообщения об окончательных оценках модели на основе исходных предварительных настроек к результатам можно добавить раздел, озаглавленный примерно так: «Понимание влияния предварительных настроек». В этот раздел следует включить визуальное или табличное отображение результатов анализа чувствительности.Результаты анализа должны быть описаны, а также должно быть рассмотрено некоторое ощущение устойчивости (или нет!) результатов к различным предшествующим настройкам. Затем эти результаты могут быть дополнительно расширены в разделе обсуждения, и могут быть даны рекомендации относительно того, какие априорные данные, по мнению исследователя, следует дополнительно изучить в последующих исследованиях. Цель состоит в том, чтобы обеспечить тщательную обработку анализа и предоставить читателям достаточную информацию, чтобы оценить роль априорных значений в этом конкретном контексте моделирования.

Заключительные мысли

Как мы продемонстрировали с помощью моделирования и приложения Shiny, априорные значения могут оказывать заметное влияние на окончательные результаты моделирования. Крайне важно, чтобы прикладные исследователи тщательно изучили степень этого воздействия и представили результаты в отчете об окончательном анализе. Наглядные пособия могут быть огромным преимуществом при представлении результатов анализа чувствительности, поскольку они быстро указывают на уровень (несоответствия) результатов в различных предыдущих настройках.

Ключевым вопросом при составлении отчета о любом анализе, особенно таком сложном, как байесовский анализ, является прозрачность. Важно всегда иметь четкое представление о том, какие анализы проводились, как они проводились и как можно интерпретировать результаты. Этот вопрос прозрачности является ключевым в любой статистической структуре, но особенно важен для байесовской модели из-за того, как легко манипулировать результатами путем изменения предварительных настроек. Байесовские методы — очень полезные инструменты, и от нас зависит (т.т. е., пользователи, издатели и потребители исследований), чтобы установить приоритет прозрачности и тщательности при сообщении результатов. Мы надеемся, что приложение Shiny сыграет свою роль в повышении важности этой проблемы.

Вклад авторов

SD задумал и написал рукопись. SW и MV сделали приложение Shiny. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

    Каталожные номера

    Адейемо, Д.А. (2007). Модерирующее влияние эмоционального интеллекта на связь между академической самоэффективностью и успеваемостью студентов вуза. Психология. Дев. соц. 19, 199–213. дои: 10.1177/097133360701

    4

    Полнотекстовая перекрестная ссылка | Академия Google

    Брукс, С.П., и Гельман, А. (1998). Общие методы контроля сходимости итеративного моделирования. Дж. Вычисл. График Стат. 7, 434–455. дои: 10.1080/10618600.1998.10474787

    Полнотекстовая перекрестная ссылка | Академия Google

    Чанг В., Ченг Дж., Аллер Дж. Дж., Се Ю. и Макферсон Дж. (2020). блестящий: платформа веб-приложений для пакета R. R версии 1.5.0. Доступно в Интернете по адресу: https://CRAN.R-project.org/package=shiny (по состоянию на 10 сентября 2020 г.).

    Академия Google

    Cieciuch, J., Davidov, E., Schmidt, P., Algesheimer, R., and Schwartz, S.Х. (2014). Сравнение результатов точного и приблизительного (байесовского) теста на инвариантность измерений: иллюстрация из разных стран со шкалой для измерения 19 человеческих ценностей. Фронт. Психол. 5:982. doi: 10.3389/fpsyg.2014.00982

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Депаоли, С. (2012). Измерение и разделение классов структурных моделей в смеси CFA: ML/EM по сравнению с MCMC. Структура. Экв. Модель. 19, 178–203. дои: 10.1080/10705511.2012.659614

    Полнотекстовая перекрестная ссылка | Академия Google

    Депаоли, С. (2013). Восстановление класса смеси в GMM при разной степени разделения классов: частотная и байесовская оценки. Психология. Методы 18, 186–219. дои: 10.1037/a0031609

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Депаоли, С., и Клифтон, Дж. (2015). Байесовский подход к моделированию многоуровневых структурных уравнений с непрерывными и дихотомическими результатами. Структура.Экв. Модель. 22, 327–351. дои: 10.1080/10705511.2014.937849

    Полнотекстовая перекрестная ссылка | Академия Google

    Депаоли С., Рус Х., Клифтон Дж., ван де Шут Р. и Тименсма Дж. (2017a). Введение в байесовскую статистику в психологии здоровья. Психология здоровья. Ред. 11, 248–264. дои: 10.1080/17437199.2017.1343676

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Депаоли, С., и ван де Шут, Р. (2017). Улучшение прозрачности и репликации в байесовской статистике: контрольный список WAMBS. Психология. Методы 22, 240–261. doi: 10.1037/met0000065

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Депаоли С., Ян Ю. и Фелт Дж. (2017b). Использование байесовской статистики для моделирования неопределенности в смешанных моделях: анализ чувствительности априорных значений. Структура. Экв. Модель. 24, 198–215. дои: 10.1080/10705511.2016.1250640

    Полнотекстовая перекрестная ссылка | Академия Google

    Гельман, А. (1996). «Вывод и мониторинг сходимости», в Марковская цепь Монте-Карло на практике , под редакцией В.Р. Гилкс, С. Ричардсон и Д. Дж. Шпигельхальтер (Нью-Йорк: Чепмен и Холл), 131–143.

    Академия Google

    Гельман, А., Карлин, Дж. Б., Стерн, Х. С., Дансон, Д., Вехтари, А., и Рубин, Д. Б. (2014). Байесовский анализ данных (3-е изд.). Бока-Ратон, Флорида: Чепмен и Холл.

    Академия Google

    Гельман А. и Рубин Д. Б. (1992a). Вывод из итеративного моделирования с использованием нескольких последовательностей. Стат. науч. 7, 457–511. doi: 10.1214/ss/1177011136

    Полнотекстовая перекрестная ссылка | Академия Google

    Гельман А.и Рубин Д.Б. (1992b). «Один ряд из пробоотборника Гиббса дает ложное чувство безопасности», в Bayesian Statistics 4 , eds JM Bernardo, JO Berger, AP Dawid и AFM Smith (Oxford: Oxford University Press), 625–631.

    Академия Google

    Гевеке, Дж. (1992). «Оценка точности основанных на выборке подходов к вычислению апостериорных моментов», в Байесовской статистике 4 , под редакцией Дж. М. Бернардо, Дж. О. Бергера, А. П. Давида и А.Ф. М. Смит (Оксфорд: издательство Оксфордского университета), 169–193.

    Академия Google

    Гош, Дж. К., и Мукерджи, Р. (1992). «Неинформативные априорные данные (с обсуждением)», в Bayesian Statistics , 4 Edn, eds JM Bernardo, JO Berger, AP Dawid и AFM Smith (Oxford: Oxford University Press), 195–210.

    Академия Google

    Голей, П., Реверте, И., Россье, Дж., Фавез, Н., и Лесерф, Т. (2013). Дальнейшее понимание факторной структуры французского стандарта WISC-IV с помощью байесовского моделирования структурных уравнений. Психология. Оценивать. 25, 496–508. дои: 10.1037/a0030676

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Густафсон П. и Вассерман Л. (1995). Диагностика локальной чувствительности для байесовского вывода. Энн. Стат. 23, 2153–2167. дои: 10.1214/аос/1034713652

    Полнотекстовая перекрестная ссылка | Академия Google

    Heitjan, D.F., Guo, M., Ray, R., Wileyto, E.P., Epstein, L.H., and Lerman, C. (2008). Идентификация фармакогенетических маркеров в терапии отказа от курения. утра. Дж. Мед. Жене. Б Нейропсихология. Жене. 147, 712–719. doi: 10.1002/ajmg.b.30669

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Хоффман, доктор медицины, и Гельман, А. (2011). Сэмплер без разворота: адаптивная настройка длины пути в гамильтоновом методе Монте-Карло. arXiv [препринт] Доступно в Интернете по адресу: https://arxiv.org/abs/1111.4246 (по состоянию на 10 сентября 2020 г.), Google Scholar

    Керр, Н.Л. (1998). HARKing: выдвижение гипотез после того, как известны результаты. чел. соц. Психол. Ред. 2, 196–217. doi: 10.1207/s15327957pspr0203_4

    Полнотекстовая перекрестная ссылка | Академия Google

    Ким, С.Ю., Сух, Ю., Ким, Дж.С., Альбанезе, М., и Лангер, М.М. (2013). Оценка одиночных и множественных способностей в рамках SEM: неинформативный байесовский подход к оценке. Мультив. Поведение Рез. 48, 563–591. дои: 10.1080/00273171.2013.802647

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Копала-Сибли, Д.К., Зурофф, Д.К., Лейбман, М.Дж., и Хоуп, Н. (2013). Вспомнил опыт отношений со сверстниками и текущий уровень самокритики и уверенности в себе. Психология. Психотер. 86, 33–51. doi: 10.1111/j.2044-8341.2011.02044.x

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Крушке, Дж. К. (2015). Выполнение байесовского анализа: Учебное пособие с R, Jags и STAN. Сан-Диего, Калифорния: Academic Press.

    Академия Google

    Ламберт, П.К., Саттон, А.Дж., Бертон, П.Р., Абрамс, К.Р., и Джонс, Д.Р. (2005). Насколько расплывчато расплывчато? Имитационное исследование влияния использования неопределенных априорных дистрибутивов в MCMC с использованием WinBUGS. Стат. Мед. 24, 2401–2428. doi: 10.1002/(ISSN)1097-0258

    Полнотекстовая перекрестная ссылка | Академия Google

    Люйстер, Ф. С., Чейсенс, Э. Р., Васко, М. К. М., и Данбар-Джейкоб, Дж. (2011). Качество сна и функциональная инвалидность у больных ревматоидным артритом. Дж. Клин. Сон Мед. 7, 49–55. doi: 10.5664/jcsm.28041

    Полнотекстовая перекрестная ссылка | Академия Google

    Мюллер, Великобритания (2012). Измерение априорной чувствительности и априорной информативности в больших байесовских моделях. Ж. Моне. Экон. 59, 581–597. doi: 10.1016/j.jmoneco.2012.09.003

    Полнотекстовая перекрестная ссылка | Академия Google

    Мутен Б. и Аспарухов Т. (2012). Моделирование байесовских структурных уравнений: более гибкое представление основной теории. Психология.Методы 17, 313–335. дои: 10.1037/a0026802

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Мутен, Л.К., и Мутен, Б. (1998–2017). Руководство пользователя Mplus. Восьмое издание. Лос-Анджелес, Калифорния: Мутен и Мутен.

    Академия Google

    Натараджан, Р., и Маккаллох, К.Э. (1998). Выборка Гиббса с рассеянными правильными априорными значениями: правильный подход к выводу на основе данных? Дж. Вычисл. График Стат. 7, 267–277. дои: 10.1080/10618600.1998.10474776

    Полнотекстовая перекрестная ссылка | Академия Google

    Основная команда R (2020 г.). R: Язык и среда для статистических вычислений. Вена: Фонд статистических вычислений R.

    Академия Google

    Роос М., Мартинс Т. Г., Хелд Л. и Рю Х. (2015). Анализ чувствительности байесовских иерархических моделей. Байесовский анализ. 10, 321–349. дои: 10.1214/14-ba909

    Полнотекстовая перекрестная ссылка | Академия Google

    Команда RStudio.(2020). RStudio: Комплексная разработка для R. Бостон, Массачусетс: RStudio, Inc.

    Академия Google

    Шэн, Ю. (2010). Анализ чувствительности выборки Гиббса для моделей 3PNO IRT: влияние предварительных спецификаций на оценки параметров. Поведенческая метрика 37, 87–110. doi: 10.2333/bhmk.37.87

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Синхарай, С. (2004). Опыт оценки сходимости цепи Маркова методом Монте-Карло на двух психометрических примерах. J. Образование. Поведение Стат. 29, 461–488. дои: 10.3102/1076998602

    61

    Полнотекстовая перекрестная ссылка | Академия Google

    Команда разработчиков Стэна (2020). RStan: интерфейс R для Stan. Пакет R версии 2.21.2. Доступно в Интернете по адресу: http://mc-stan.org/ (по состоянию на 10 сентября 2020 г.)

    Академия Google

    ван де Шут, Р., Сийбрандий, М., Депаоли, С., Винтер, С., Олф, М., и ван Лоей, Н. (2018). Байесовский анализ траектории посттравматического стрессового расстройства с информированными априорными данными, основанный на систематическом поиске литературы и опросе экспертов. Мультив. Поведение Рез. 53, 267–291. дои: 10.1080/00273171.2017.1412293

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    ван де Шут, Р., Винтер, С., Зондерван-Звейненбург, М., Райан, О., и Депаоли, С. (2017). Систематический обзор байесовских приложений в психологии: последние 25 лет. Психология. Методы 22, 217–239. doi: 10.1037/met0000100

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    ван Эрп, С., Малдер, Дж., и Оберски, Д.Л. (2018). Предварительный анализ чувствительности при моделировании байесовского структурного уравнения по умолчанию. Психология. Методы 23, 363–388. doi: 10.1037/met0000162

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Чжан З., Хамагами Ф., Ван Л., Гримм К. Дж. и Несселроуд Дж. Р. (2007). Байесовский анализ продольных данных с использованием моделей кривой роста. Междунар. Дж. Бехав. Дев. 31, 374–383. дои: 10.1177/0165025407077764

    Полнотекстовая перекрестная ссылка | Академия Google

    Цицманн, С.и Хехт, М. (2019). Выходя за рамки сходимости в байесовской оценке: почему важна точность и как ее оценить. Структура. Экв. Модель. Мультидисциплинарный J. 26, 646–661. дои: 10.1080/10705511.2018.1545232

    Полнотекстовая перекрестная ссылка | Академия Google

    Zondervan-Zwijnenburg, M.A.J., Depaoli, S., Peeters, M., and van de Schoot, R. (2019). Расширение границ: производительность машинного обучения и байесовского оценивания с небольшими и несбалансированными выборками в модели скрытого роста. Методология 15, 31–43. дои: 10.1027/1614-2241/a000161

    Полнотекстовая перекрестная ссылка | Академия Google

    Zondervan-Zwijnenburg, M.A.J., Peeters, M., Depaoli, S., and van de Schoot, R. (2017). Откуда берутся приоры? Применение руководящих принципов для построения информативных априорных исследований в исследованиях с небольшой выборкой. Рез. Гум. Дев. 14, 305–320. дои: 10.1080/15427609.2017.1370966

    Полнотекстовая перекрестная ссылка | Академия Google

    В следующем разделе представлена ​​гипотетическая запись результатов анализа чувствительности, которая имитирует пример, представленный в приложении Shiny.

    На первом этапе анализа чувствительности мы рассмотрели параметры, представляющие наибольший интерес для нашего исследования. В случае с нашим примером регрессии нас особенно интересовали коэффициенты регрессии, связанные с Пол в качестве предиктора Цинизм и Отсутствие доверия в качестве предиктора Цинизм . После четкого определения интересующих параметров мы определили наиболее подходящие априорные значения для исходных (сравненных) априорных значений в анализе.Например, мы выбрали N (0,10) в качестве априора для Пол в качестве предиктора Цинизм и N (6,1) в качестве априора для Отсутствие доверия в качестве предиктора Цинизм . Априоры N (0,10) предполагают, что Цинизм и Секс не связаны между собой, а N (6,1) указывает на положительную связь между Цинизм и Отсутствие доверия . В дополнение к выбору априорных значений для параметров, представляющих существенный интерес, мы также устанавливаем N (41,10) как до перехвата и IG (0.5,0.5) в качестве априора для остаточной дисперсии.

    Чтобы понять влияние различных априорных значений на апостериорное распределение, мы определили набор альтернативных априорных значений для сравнения с каждым из наших исходных априорных значений. Для нашего примера регрессии мы выбрали альтернативные априорные значения N (5,5) и N (-10,5) для Пол , прогнозирующие Цинизм . Альтернативный априор N (5,5) предполагает, что мужчины обладают более высокой степенью цинизма, чем женщины, а альтернативный априор N (-10,5) означает, что мужчины имеют более низкую степень цинизма, чем женщины.Также были выбраны альтернативные априоры N (0,100) и N (0,5) для Недоверие предсказание Цинизм . Альтернатива N (0,100) была гораздо более расплывчатой, чем первоначальная версия, что свидетельствует об отсутствии знаний о параметре. N (0,5) имеет нулевое среднее значение, что указывает на отсутствие связи между Цинизм и Отсутствие доверия . Для перехвата мы выбрали N (0,100) и N (20,10) в качестве альтернативных априоров.Приор N (0,100) является рассеянным, плоским приором, а N (20,10) сбрасывает среднее значение исходного приора вниз. Оба априора предполагают более низкие значения цинизма. Для остаточной дисперсии мы выбрали IG (1,0,5) и IG (0,1,0,1) в качестве альтернативных априорных значений. IG (1,0.5) более информативен, чем исходный априор, а IG (0.1,0.1) более размыт, чем исходный априор. Наконец, мы также указали комбинации этих альтернативных априорных значений, чтобы понять совокупное влияние различных априорных значений на результаты модели.

    После выбора альтернативных априорных значений мы оценили серию моделей с разными априорными значениями. Каждая модель была проверена на сходимость путем визуального осмотра графиков трассировки, а также с помощью диагностики R-шляпы. Кроме того, также контролировались эффективные размеры выборки (ESS), чтобы убедиться, что автокорреляция не вызывает проблем. Выбранные альтернативные априорные значения дали адекватную сходимость модели и значения ESS. Поэтому мы перешли к следующему этапу анализа чувствительности и просмотрели графики апостериорной плотности.Визуальный осмотр графиков апостериорной плотности выявил изменение апостериорных распределений для Отсутствие доверия , предсказывающее Цинизм при указании альтернативных априорных значений. В частности, апостериорное распределение для Недостаток доверия , предсказывающее Цинизм , смещается в сторону более низких значений при обоих альтернативных априорных значениях, предполагая, что априорная спецификация влияет на результаты. Апостериорное распределение отрезка и остаточная дисперсия Цинизм изменялись в зависимости от указанных априорных значений, что указывает на существенно различную интерпретацию отрезка в зависимости от априорных значений.Напротив, графики апостериорной плотности для Пол в качестве предиктора Цинизм были относительно схожими, независимо от альтернативной предварительной спецификации.

    Мы также проверили, насколько надежными были результаты, сравнив апостериорные оценки для моделей с различными априорными спецификациями. Если априорные значения мало влияют на результаты, процент отклонений в апостериорных оценках между моделями будет низким. Однако, если априоры оказывают значительное влияние, то мы увидим более высокое процентное отклонение между моделями.Как и ожидалось, учитывая графики апостериорной плотности, мы видим сдвиг вниз в оценке Недостаток доверия в качестве предиктора Цинизм в различных предыдущих спецификациях. В частности, процентное отклонение составляет -23,040% или -24,851%, в зависимости от альтернативной предшествующей спецификации.

    Дополнительные доказательства влияния априорного распределения на апостериорное распределение можно получить путем сравнения 90% интервалов с наивысшей апостериорной плотностью (HPD). Если содержательные выводы относительно параметра меняются в зависимости от априорных, то имеются свидетельства менее надежных результатов.В случае Недостаток доверия в качестве предиктора Цинизм ноль всегда находится за пределами 90% интервала HPD, независимо от априорного распределения, используемого в анализе. Таким образом, основной вывод о роли Недостаток доверия в качестве предиктора Цинизм не меняется в предыдущих распределениях. Это, пожалуй, самый важный вывод анализа чувствительности. Хотя на некоторые параметры модели в большей степени влияли заданные априорные распределения, содержательная интерпретация результатов модели не менялась в зависимости от указанного априорного распределения.

    Модель Сложности и Модель Приоры

    ‘) var head = document.getElementsByTagName(«head»)[0] var script = document.createElement(«сценарий») script.type = «текст/javascript» script.src = «https://buy.springer.com/assets/js/buybox-bundle-52d08dec1e.js» сценарий.id = «ecommerce-scripts-» ​​+ метка времени head.appendChild (скрипт) var buybox = document.querySelector(«[data-id=id_»+ метка времени +»]»).parentNode ;[].slice.call(buybox.querySelectorAll(«.вариант-покупки»)).forEach(initCollapsibles) функция initCollapsibles(подписка, индекс) { var toggle = подписка.querySelector(«.цена-варианта-покупки») подписка.classList.remove(«расширенный») переменная форма = подписка.querySelector(«.форма-варианта-покупки») если (форма) { вар formAction = form.getAttribute(«действие») document.querySelector(«#ecommerce-scripts-» ​​+ timestamp).addEventListener(«load», bindModal(form, formAction, timestamp, index), false) } var priceInfo = подписка.querySelector(«.Информация о цене») var PurchaseOption = toggle.parentElement если (переключить && форма && priceInfo) { переключать.setAttribute(«роль», «кнопка») toggle.setAttribute(«tabindex», «0») toggle.addEventListener («щелчок», функция (событие) { var expand = toggle.getAttribute(«aria-expanded») === «true» || ложный toggle.setAttribute(«aria-expanded», !expanded) form.hidden = расширенный если (! расширено) { покупкаВариант.classList.add («расширенный») } еще { покупкаOption.classList.remove(«расширенный») } priceInfo.hidden = расширенный }, ложный) } } функция bindModal (форма, formAction, метка времени, индекс) { var weHasBrowserSupport = window.fetch && Array.from функция возврата () { var Buybox = EcommScripts ? EcommScripts.Ящик для покупок: ноль var Modal = EcommScripts ? EcommScripts.Modal : ноль if (weHasBrowserSupport && Buybox && Modal) { var modalID = «ecomm-modal_» + метка времени + «_» + индекс var modal = новый модальный (modalID) modal.domEl.addEventListener («закрыть», закрыть) функция закрыть () { форма.querySelector(«кнопка[тип=отправить]»).фокус() } вар корзинаURL = «/корзина» var cartModalURL = «/cart?messageOnly=1» форма.setAttribute( «действие», formAction.replace(cartURL, cartModalURL) ) var formSubmit = Buybox.interceptFormSubmit( Буйбокс.fetchFormAction(окно.fetch), Buybox.triggerModalAfterAddToCartSuccess(модальный), функция () { form.removeEventListener («отправить», formSubmit, false) форма.setAttribute( «действие», formAction.replace(cartModalURL, cartURL) ) форма.представить() } ) form.addEventListener («отправить», formSubmit, ложь) document.body.appendChild(modal.domEl) } } } функция initKeyControls() { document.addEventListener («нажатие клавиши», функция (событие) { если (документ.activeElement.classList.contains(«цена-варианта-покупки») && (event.code === «Пробел» || event.code === «Enter»)) { если (document.activeElement) { событие.preventDefault() документ.activeElement.click() } } }, ложный) } функция InitialStateOpen() { var buyboxWidth = buybox.смещениеШирина ;[].slice.call(buybox.querySelectorAll(«.опция покупки»)).forEach(функция (опция, индекс) { var toggle = option.querySelector(«.цена-варианта-покупки») var form = option.querySelector(«.форма-варианта-покупки») var priceInfo = option.querySelector(«.Информация о цене») если (buyboxWidth > 480) { переключить.щелчок() } еще { если (индекс === 0) { переключать.щелчок() } еще { toggle.setAttribute («ария-расширенная», «ложь») form.hidden = «скрытый» priceInfo.hidden = «скрытый» } } }) } начальное состояниеОткрыть() если (window.buyboxInitialized) вернуть window.buyboxInitialized = истина initKeyControls() })()

    Визуализация байесовских априорных значений.Вы когда-нибудь задумывались, как предшествующие факторы влияют на ваши… | Николя Бертаньолли

    Вы когда-нибудь задумывались, как априорные значения влияют на вашу байесовскую модель? Выяснить!

    Я немного поигрался с оценкой параметров и байесовской статистикой и решил сделать небольшую визуализацию того, как априорные убеждения влияют на наше апостериорное распределение. В этом уроке мы пройдемся по размышлениям о том, является ли монета честной. Мы визуализируем, как меняется наша оценка честности монеты по мере того, как мы получаем больше данных и в соответствии с нашими прежними убеждениями.Давайте начнем!

    Вы находитесь в Вегасе и смотрите, как люди делают ставки на результат подбрасывания монеты. Если выпадет орел, вы удвоите свою ставку, а если выпадет решка, дом заберет ваши деньги. Это звучит как хорошая сделка, поэтому вы сразу же начинаете подозревать. Казино не хотят предлагать вам хорошую сделку. Итак, вы решаете подсчитать, сколько раз вы видите каждый результат, и определить стоимость монеты. Пусть H будет вероятностью выпадения орла при использовании монеты казино, а D будет набором данных наших бросков.Предположим, что мы увидели 100 подбрасываний монеты, и из этих 100 подбрасываний 40 из них были орлом. Каков вес монеты? Естественно, вы бы сказали, что H = 40/100 = 0,4, но как вы получили это число? Давайте пройдемся по выводу!

    Мы оцениваем подбрасывание монеты, что означает, что наши данные примут одно из двух значений с вероятностями p и 1- p . Таким образом, мы предположим, что наши данные генерируются распределением Бернулли, или, другими словами, вероятность данных с учетом определенной вероятности выпадения орла равна:

    Теперь мы хотим выяснить, какое значение H максимизирует функция вероятности.Поскольку натуральный логарифм не повлияет на наш максимум, мы можем вместо этого найти максимум журнала. Это облегчит математику, поверьте мне.

    Теперь вернитесь к своему старому доброму классу исчисления I, возьмите производную и приравняйте ее к 0, чтобы определить критические точки.

    Оценка максимального правдоподобия для монеты

    Похоже, наша интуиция была верна, и наилучшей оценкой вероятности выпадения орла является количество выпавших орлов из общего числа бросков.

    Подождите, разве мы не играем в Вегасе? Мы знаем, что эти казино теневые. Нам нужно включить эту информацию в наши модели. В нашей модели мы предполагали, что параметр может принимать любое значение от 0 до 1 с равной вероятностью. Это предположение о том, какие значения могут принимать наши параметры, называется априорным, и для этого анализа мы приняли унифицированный априорный.

    Единый априор для монеты, где мы не знаем, насколько она справедлива.

    Этот конкретный априор говорит, что у нас нет абсолютно никакой информации о том, как должна выглядеть вероятность выпадения орла.Это хорошее предположение, если мы ничего не знаем о наших параметрах, но в случае обычного квартала это может быть плохим предположением, потому что мы знаем, что обычные уличные монеты очень близки к честным. Априорное значение объединяется с вероятностью для получения апостериорного распределения с использованием правила Байе.

    Эти априорные значения оказывают важное влияние на нашу модель, когда размер выборки мал, и их влияние уменьшается по мере увеличения выборки. Давайте посмотрим на этот эффект в действии для нескольких разных априорных значений.

    Мы уже знаем, как выглядит наш апостериор для однородного априора, но что, если мы предположим, что казино играет по правилам и использует обычную уличную монету. Тогда мы могли бы предположить гауссовский априор со средним значением 0,5 и небольшим стандартным отклонением. Тогда наше апостериорное распределение будет таким:

    Гауссовский априор для честной уличной монеты

    Для этой реализации я выбрал среднее значение 0,5, потому что честные монеты должны быть близки к четным, и стандартное отклонение 0,05, чтобы, если монета окажется нечестной он будет находиться между 0.4 и 0,6.

    Давайте взглянем на еще один возможный априор, где, по нашему мнению, может быть высокая вероятность того, что монета чрезвычайно предвзята. В этом случае мы могли бы использовать бета-распределение, которое сделало бы нашу апостериорную:

    Beta априорной для монеты, которая, как мы подозреваем, так или иначе предвзята.

    PDF этой функции для α=0,1 и β=0,1:

    Бета-распределение для α=0,1 и β=0,1

    Обратите внимание, что большая часть вероятности сосредоточена на крайних значениях. Это согласуется с идеей о том, что монета, скорее всего, выпадет либо орлом, либо решкой.Вы также можете видеть, что это распределение не имеет большого смещения, поскольку дисперсия составляет около 0,2. Гораздо выше, чем у гаусса на 0,05 или униформы на 0,08.

    Мы можем сгенерировать эти апостериоры в python, используя следующие функции:

    Реализации вышеупомянутых апостериорных значений.

    Теперь давайте посмотрим, как априорные значения визуально влияют на нашу оценку параметров. Для этого эксперимента мы создаем смещенную монету на Python с вероятностью выпадения орла, равной 0,3. Эта монета явно предвзята и обычно выбрасывает решку.Затем мы пробуем броски этой монеты через определенные промежутки времени от 0 до 512 бросков. Эти перевороты имитируют наблюдение за азартной игрой, которую мы обсуждали. Вы можете думать об одном из этих графиков как о том, насколько мы уверены в честности монеты после бросков N и наших предыдущих убеждений.

    Ниже я нарисовал эволюцию апостериорного распределения с возрастающими свидетельствами (наблюдается большее количество переворотов), давайте посмотрим и посмотрим, что мы можем узнать. Если мы предположим, что у нас нет абсолютно никакой информации об этой монете, мы можем предположить единый априор.Мы видим, что наша оценка веса монеты представляет собой равномерное распределение без подбрасываний. Это имеет смысл, потому что у нас нет данных, а есть только наши предположения о монете. Примерно после четырех переворотов мы получили что-то похожее на распределение Гаусса, которое, возможно, немного смещено в сторону 0,3, но это трудно сказать. Примерно после 64 бросков мы почти уверены, что монета смещена, а после 128 мы более или менее пришли к истинному смещенному весу монеты.

    Далее мы исследуем, что произойдет, если мы предположим, что монета является честной, используя распределение Гаусса.При нулевых бросках у нас есть только наше априорное убеждение. Распределение практически не меняется в течение первых нескольких бросков. Это связано с тем, что предположение о том, что наша монета честна, является довольно сильным предположением, и поэтому потребуется много данных, чтобы повлиять на это убеждение. Примерно после 32–64 бросков мы видим, как распределение постепенно смещается влево к истинному весу. Но на самом деле только после 256–512 подбрасываний мы действительно достигли истинного веса.

    Наконец, мы изучаем мнение о том, что монета предвзята, и мы находимся в захудалом казино, используя предварительную бета-версию.Мы видим, что это поведение очень похоже на равномерное распределение, но раньше оно отклоняется далеко влево.

    Еще несколько интересных вещей, на которые стоит обратить внимание: по мере увеличения размера выборки все апостериорные распределения стремятся к нормальному распределению с центром в 0,3. Вы можете ясно видеть, что априорное значение оказывает большое влияние, когда размер выборки мал. Кроме того, по мере увеличения размера выборки вероятность начинает доминировать, а априорное значение становится менее важным. Обратите внимание, как априорная вероятность может повлиять на скорость сходимости апостериорной.Например, как для однородной, так и для бета-априорной модели после 64 подбрасываний истинное смещение монеты попадает в наш 95% доверительный интервал, тогда как для гауссовой модели наше истинное смещение не появляется в нашем интервале примерно до 256 подбрасываний.

    Вывод здесь состоит в том, что если мы начнем, мало зная о нашем параметре, униформе или бета-распределении, легко убедить модель в том, что монета необъективна. Принимая во внимание, что если наша модель твердо убеждена в том, что монета является честной, т. е. гауссовым априором, то потребуется гораздо больше данных, чтобы убедить ее в том, что монета на самом деле не является честной.Если вам понравилась эта математическая визуализация, вам также может понравиться мой пост об исключении Гаусса.

    СОБСТВЕННОСТЬ ПОСТЕРИАРОВ С НЕПРАВИЛЬНЫМИ ПРИОРАМИ В ИЕРАРХИЧЕСКИХ ЛИНЕЙНЫХ СМЕШАННЫХ МОДЕЛЯХ на JSTOR

    Абстрактный

    В этой статье исследуются необходимые и достаточные условия правильности апостериорного распределения в иерархических линейных моделях смешанных эффектов для набора неправильных априорных распределений. В дополнение к плоскому априору для фиксированных эффектов коллекция включает различные предельные формы инвариантного гамма-распределения для компонентов дисперсии, в том числе случаи, рассмотренные ранее Даттой и Гошем (1991) и Хобертом и Казеллой (1996).Предыдущая работа расширена за счет рассмотрения семейства коррелированных случайных эффектов, которые включают в себя в качестве особых случаев внутренние авторегрессионные модели Бесага, Йорка и Молли (1991), авторегрессионную (AR) модель Орда (1975) и условную авторегрессию (CAR). Модели Клейтона и Калдора (1987), которые оказались полезными при анализе пространственных эффектов. Затем представлены условия правильности апостериорного распределения для обобщенной линейной смешанной модели, где распределение первой стадии принадлежит экспоненциальному семейству.

    Информация о журнале

    Statistica Sinica стремится удовлетворить потребности статистиков, столкнувшихся с быстро меняющимся миром. Он публикует важные и оригинальные статьи, которые пропагандируют принципиальное использование статистики вместе с соответствующей теорией и методами в количественных исследованиях, необходимых для современных технологий и науки. Он выходит ежеквартально в январе, апреле, июле и октябре.

    Информация об издателе

    Институт статистических наук проводит фундаментальные и прикладные исследования, связанные со статистикой и вероятностью.Институт уважает независимые исследования отдельных главных исследователей, поощряет командную работу исследовательских групп и продвигает междисциплинарное сотрудничество и исследовательские проекты между учреждениями.

    Неинформативные априорные и байесовские тесты для модели AR(1) на JSTOR

    Абстрактный

    Рассмотрены и сравнены различные подходы к построению неинформативного априора для модели AR(1).Особое внимание уделяется эталонному априорному подходу, который, по-видимому, хорошо работает для стационарного случая, но сталкивается с трудностями в случае взрыва. В конечном итоге для решения задачи рекомендуется симметричная (правильная) версия стационарного эталонного априора. Также рассмотрена байесовская проверка единичного корня, стационарной и взрывной гипотез. Разработаны границы байесовских факторов, и показано, что они дают ответы, которые кажутся противоречащими классическим тестам.

    Информация о журнале

    Эконометрическая теория представляет собой авторитетный источник оригинальных вклад во все основные области эконометрики.А также статьи которые воплощают в себе оригинальные теоретические исследования, журнал издает периодическую книгу обзоры, исторические исследования эволюции эконометрической мысли и его крупные ученые. Эконометрическая теория также имеет текущие «Примечания». и серии «Проблемы», а также выдающуюся серию «Интервью с инопланетянами» с выдающимися ученых в этой области. инструкции для авторов Cambridge Journals Online

    Информация об издателе

    Издательство Кембриджского университета (www.cambridge.org) — издательское подразделение Кембриджского университета, одного из ведущих мировых исследовательских институтов, лауреата 81 Нобелевской премии. Издательство Кембриджского университета согласно своему уставу стремится как можно шире распространять знания по всему миру. Он издает более 2500 книг в год для распространения в более чем 200 странах. Cambridge Journals издает более 250 рецензируемых академических журналов по широкому спектру предметных областей, как в печатном виде, так и в Интернете. Многие из этих журналов являются ведущими академическими изданиями в своих областях, и вместе они образуют один из наиболее ценных и всесторонних исследовательских корпусов, доступных сегодня.Для получения дополнительной информации посетите http://journals.cambridge.org.

    Модели байесовской регрессии с использованием «Stan»

    Получить информацию обо всех параметрах (и классах параметров), для которых априорные значения могут быть указаны, включая априорные значения по умолчанию.

    Кадр данных со столбцами до , класс , коэф. , и группа и несколько строк, каждая из которых содержит информацию о параметр (или класс параметров), для которого могут быть указаны априорные значения.до столбец пуст, за исключением внутренних априорных значений по умолчанию.

    формула

    Объект класса формула , brmsformula или mvbrmsformula (или тот, который может принуждать к этим классам): символическое описание модели, установлены.Детали спецификации модели объясняются в brmsформула .

    данные

    Объект класса data.frame (или тот, который может быть принудительно к этому классу), содержащий данные всех переменных, используемых в модели.

    семья

    Описание функции распределения ответов и ссылки на использоваться в модели. Это может быть семейная функция, призыв к семье функция или строка символов, обозначающая семейство.Каждая семейная функция имеет аргумент ссылки , позволяющий указать применяемую функцию ссылки по переменной ответа. Если не указано, используются ссылки по умолчанию. Для сведения о поддерживаемых семействах см. в разделе brmsfamily . По умолчанию применяется модель linear gaussian . В многомерных моделях семейств также может быть списком семейств.

    автокор

    (устарело) Необязательный объект cor_brms описывающая структуру корреляции в переменной отклика (т.е., «автокорреляция»). См. документацию cor_brms для описание доступных корреляционных структур. По умолчанию NULL , что соответствует отсутствию корреляций. В многомерных моделях autocor также может быть списком структур автокорреляции. Теперь рекомендуется указывать термины автокорреляции напрямую в пределах формула . См. brmsformula для более подробной информации.

    данные2

    Именованный список объектов, содержащих данные, которые нельзя передать через аргумент data .Требуется для некоторых объектов используется в структурах автокорреляции для указания структур зависимостей а также для внутригрупповых ковариационных матриц.

    узлов

    Необязательный список, содержащий заданные пользователем значения узлов для использования для построения основы условий сглаживания. Видеть gamm для более подробной информации.

    редкие

    (устарело) Логический; указывает, является ли уровень населения матрицы дизайна следует рассматривать как разреженные (по умолчанию FALSE ).Для расчетные матрицы со многими нулями, это может значительно уменьшить требуемую Память. Скорость выборки в настоящее время не улучшена или даже незначительно уменьшилось. Теперь рекомендуется использовать разреженных аргументов brmsformula и связанные функции.

    ...

    Другие аргументы только для внутреннего использования.

    Глава 9 Рассмотрение предыдущих распределений

    Один из наиболее часто задаваемых вопросов при первом знакомстве с байесовской статистикой: «Как мы выбираем априорные значения?» Хотя ни в какой ситуации не бывает одного «идеального» априора, в этой главе мы обсудим некоторые вопросы, которые следует учитывать при выборе априора. Но сначала, вот несколько общих идей, которые следует иметь в виду.

    • Байесовский вывод основан на апостериорном распределении , а не на априорном.Поэтому апостериор требует гораздо большего внимания, чем априор.
    • Априор — это только часть байесовской модели. Вероятность — это другая часть. И есть данные, которые используются для подгонки модели. Выбор априора — это лишь одно из многих допущений моделирования, которые необходимо оценить и проверить.
    • Во многих ситуациях апостериорное распределение не слишком чувствительно к разумным изменениям априорного. В этих ситуациях важным вопросом является не «что является априорным?» а скорее «есть ли вообще априор?» То есть вы применяете байесовский подход, рассматриваете параметры как случайные величины и количественно оцениваете неопределенность параметров с помощью вероятностных распределений?
    • Одна из критических замечаний по поводу байесовской статистики в целом и априорных значений в частности заключается в том, что они субъективны.Однако любой статистический анализ по своей сути субъективен, наполнен множеством предположений и решений. За исключением простейших ситуаций, если вы спросите пять статистиков, как решить конкретную проблему, вы, скорее всего, получите пять разных ответов. Априорные анализы и байесовский анализ данных по своей сути не более субъективны, чем любое из множества других предположений, сделанных в статистическом анализе.

    Субъективность допустима и часто полезна. Выбор субъективного априорного значения позволяет нам явно включить в наш анализ богатый прошлый опыт.

    Пример 9.1 Ксиомара утверждает, что она может предсказать, каким образом приземлится подброшенная монета. Рохелио утверждает, что чувствует разницу между кока-колой и пепси.

    Прежде чем читать дальше, остановитесь и задумайтесь: чье утверждение — Ксиомары или Рохелио — изначально более убедительно? Или вы так же убеждены? Почему? Иными словами, к чьему утверждению вы изначально отнеслись более скептически? Или вы так же настроены скептически? Иными словами, чье заявление потребует больше данных, чтобы убедить вас?

    Чтобы проверить утверждение Ксиомары, вы подбрасываете правильную монету 10 раз, и она правильно предсказывает результат 9 из 10 бросков.(Можно предположить, что монета честная, броски независимы, и в сборе данных нет ничего смешного.)

    Чтобы проверить утверждение Рохелио, вы даете ему слепой тест на дегустацию 10 чашек, подбрасывая монету для каждой чашки, чтобы определить, подавать ли кока-колу или песпи. Рохелио правильно определяет 9 из 10 чашек. (Можно предположить, что монета честная, броски независимы, и в сборе данных нет ничего смешного.)

    Пусть \(\theta_X\) будет вероятностью того, что Ксиомара правильно угадает результат честного подбрасывания монеты.Пусть \(\theta_R\) будет вероятностью того, что Рохелио правильно угадает газировку (Coke или Pepsi) в случайно выбранной чашке.

    1. Как специалист по частоте может поступить в этой ситуации? Каким будет вывод?
    2. Рассмотрим байесовский подход. Опишите в общих чертах ваши предыдущие распределения для двух параметров. Как они сравниваются? Как это повлияет на ваши выводы?
    1. Для Ксиомара частотник может провести проверку нулевой гипотезы \(H_0:\theta_X = 0.5\) по сравнению с альтернативной гипотезой: \(H_a:\theta_X > 0,5\). Значение p будет около 0,01, вероятность наблюдения по крайней мере 9 из 10 успехов из биномиального распределения с параметрами 10 и 0,5 ( 1 - pbinom(8, 10, 0,5) ). Установка Рохелио была бы аналогичной и давала бы такое же значение p. Таким образом, строгий частотник был бы в равной степени убежден в обоих утверждениях.
    2. До наблюдения за данными мы, вероятно, более скептически относимся к заявлению Ксиомары, чем к заявлению Рохелио.Поскольку подбрасывание монеты непредсказуемо, у нас было бы сильное априорное убеждение, что \(\theta_X\) близко к 0,5 (что было бы, если бы она просто угадывала). Наш априор для \(\theta_X\) будет иметь среднее значение 0,5 и небольшое априорное стандартное отклонение, чтобы отразить, что только значения, близкие к 0,5, кажутся правдоподобными. Следовательно, потребуется много доказательств, чтобы поколебать наши прежние убеждения.
      С другой стороны, мы можем быть знакомы с людьми, которые могут отличить кока-колу от пепси; может быть, мы даже можем сами.Наш априор для \(\theta_R\) будет иметь меньшее априорное SD, чем для \(\theta_X\), чтобы обеспечить более широкий диапазон правдоподобных значений. У нас может быть даже априорное среднее значение \(\theta_R\) выше 0,5, если у нас есть опыт общения с большим количеством людей, которые могут отличить кока-колу от пепси. Учитывая выборочные данные, наша апостериорная вероятность того, что \(\theta_R>0,5\), будет больше, чем апостериорная вероятность того, что \(\theta_X > 0,5\), и нас больше убедит заявление Рохелио, чем заявление Ксиомары.

    Даже если априорное значение не представляет сильных априорных убеждений, само наличие априорного распределения позволяет провести байесовский анализ. Помните, что и байесовский, и частотный подходы являются допустимыми подходами к статистическому анализу, каждый из которых имеет свои преимущества и недостатки. Тем не менее, есть некоторые проблемы с частотными подходами, которые устраняются включением априорного распределения и применением байесовского подхода. (Честно говоря, в предстоящем исследовании будут рассмотрены некоторые недостатки байесовского подхода по сравнению с частотным подходом.)

    Пример 9.2 Тамика — баскетболистка, которая на протяжении всей своей карьеры имела вероятность 0,5 выполнить любую трехочковую попытку. Однако ее тренер опасается, что ее трехочковые броски стали хуже. Чтобы проверить это, тренер заставляет Тамику бросить серию из трех очков; она составляет 7 из 24. Есть ли у тренера доказательства того, что Тамике стало хуже?

    Пусть \(\theta\) будет вероятностью того, что Тамика успешно сделает любую попытку с тремя очками.Предположим, что попытки независимы.
    1. Перед сбором данных тренер решает, что у него будут убедительные доказательства того, что Тамике стало хуже, если p-значение меньше 0,025. Предположим, тренер сказал Тамике сделать 24 попытки, а затем остановить и подсчитать количество успешных попыток. Используйте программное обеспечение для вычисления p-значения. Тренер уверен, что Тамике стало хуже?
    2. Перед сбором данных тренер решает, что у него будут убедительные доказательства того, что Тамике стало хуже, если p-значение меньше 0.025. Предположим, тренер сказал Тамике бросать, пока она не сделает 7 трехочковых, а затем остановить и подсчитать общее количество попыток. Используйте программное обеспечение для вычисления p-значения. Тренер уверен, что Тамике стало хуже? (Подсказка: общее количество попыток имеет отрицательное биномиальное распределение.)
    3. Теперь предположим, что тренер использует байесовский подход и предполагает априорное распределение бета(\(\alpha\), \(\beta\)) для \(\theta\). Предположим, тренер сказал Тамике сделать 24 попытки, а затем остановить и подсчитать количество успешных попыток.Определите функцию правдоподобия и апостериорное распределение \(\theta\).
    4. Теперь предположим, что тренер использует байесовский подход и предполагает априорное распределение бета(\(\alpha\), \(\beta\)) для \(\theta\). Предположим, тренер сказал Тамике бросать , пока она не сделает 7 трехочковых, а затем остановить и подсчитать общее количество попыток. Определите функцию правдоподобия и апостериорное распределение \(\theta\).
    5. Сравните байесовский и частотный подходы в этом примере.Зависит ли «сила доказательств» от того, как были собраны данные?
    1. Нулевая гипотеза: \(H_0:\theta = 0,5\), альтернативная гипотеза: \(H_a:\theta < 0,5\). Если нулевая гипотеза верна и Тамике не стало хуже, то \(Y\), число успешных попыток, имеет биномиальное (24, 0,5) распределение. Значение p равно \(P(Y \le 7) = 0,032\) от pbinom(7, 24, 0,5) . Используя строгий порог 0,025, тренер НЕ был убежден, что Тамике стало хуже.
    2. Нулевая гипотеза: \(H_0:\theta = 0,5\), альтернативная гипотеза: \(H_a:\theta < 0,5\). Если нулевая гипотеза верна и Тамике не стало хуже, то \(N\), общее количество попыток, необходимых для достижения 7 успешных попыток, имеет отрицательное биномиальное (7, 0,5) распределение. Значение p равно \(P(N \ge 24) = 0,017\) от 1 — pnbinom(23 — 7, 7, 0,5) . (В R nbinom подсчитывает только общее количество неудач, а не общее количество попыток.{17}, \qquad 0 < \theta < 1. \] (\(\binom{24 - 1}{7 - 1}\) следует из того факта, что последняя попытка должна быть успешной.) Обратите внимание, что форма вероятности как функции \(\theta\) имеет вид то же, что и в предыдущей части. Следовательно, апостериорное распределение - это бета-(\(\альфа + 7\), \(\бета + 17\)) распределение.
    3. Несмотря на то, что оба частотных сценария предполагают 7 успешных попыток из 24, значение p, измеряющее силу доказательств для отклонения нулевой гипотезы, различалось в зависимости от того, как были собраны данные.Использование строгого порога 0,025 привело к тому, что тренер отклонил нулевую гипотезу в одном сценарии, но не в другом. Однако байесовский анализ одинаков в любом сценарии, поскольку апостериорные распределения были одинаковыми. Для байесовского анализа все, что имело значение в данных, это то, что в 24 попытках было 7 успешных попыток.

    Байесовский анализ данных рассматривает параметры как случайные величины с вероятностным распределением. Априорное распределение количественно определяет неопределенность исследователя в отношении параметров 90 910 до 90 911 данных наблюдений.Некоторые вопросы, которые следует учитывать при выборе предыдущего, включают в произвольном порядке:

    .
    • Предварительные убеждения исследователя! Априорное распределение является частью статистической модели и должно согласовываться со знаниями о лежащей в основе научной проблеме. Исследователи часто являются экспертами с богатым прошлым опытом, который может быть явно включен в анализ посредством априорного распределения. Такой априор называется информативным или слабоинформативным априором.
    • Упорядочивающий приор.Приоритет, который при правильной настройке уменьшает переоснащение или «чрезмерную реакцию» на данные.
    • Неинформативный априор, также известный как (ссылка, расплывчатый, плоский априор). Ищется априор, который играет минимальную роль в выводе, чтобы «данные могли говорить сами за себя».
    • Математическое удобство. Априорное значение выбирается таким образом, чтобы упростить вычисление апостериорного, как в случае сопряженных априорных значений.
    • Интерпретация. Апостериорный анализ — это компромисс между данными и априорным.Некоторые априорные значения позволяют легко интерпретировать относительный вклад данных и предшествующих апостериорных значений. Например, подумайте об интерпретации «предыдущих успехов и предыдущих неудач» в бета-биномиальной модели.
    • Prior на основе данных прошлых . Байесовское обновление можно рассматривать как итеративный процесс. Апостериорное распределение, полученное в ходе одного раунда сбора данных, может информировать об априорном распределении для другого раунда.

    Для тех, кто поначалу вообще скептически относился к априорным распределениям, стратегия всегда выбирать неинформативные или плоские априорные распределения может оказаться привлекательной.Плоские априоры распространены, но редко являются лучшим выбором с точки зрения моделирования. Точно так же, как вы не хотели бы предполагать нормальное распределение вероятности в каждой проблеме, вы не должны использовать плоскую априорную вероятность в каждой проблеме.

    Кроме того, при попытке выбрать неинформативный априор возникают некоторые тонкие проблемы.

    Пример 9.3 Предположим, мы хотим оценить \(\theta\), долю студентов Калифорнийского политехнического университета, которые вчера хоть раз носили носки.

    1. Какие возможные значения для \(\theta\)? Какое априорное распределение вы могли бы считать неинформативным априорным распределением?
    2. Вы можете выбрать предыдущую версию Uniform(0, 1), также известную как предыдущая версия Beta(1, 1). Вспомним, как мы интерпретировали параметры \(\alpha\) и \(\beta\) в бета-биномиальной модели. Представляет ли распределение Бета(1, 1) «отсутствие предварительной информации»?
    3. Предположим, что в выборке из 20 студентов 4 вчера носили носки. Как бы вы оценили \(\theta\) с одним числом, основываясь только на данных?
    4. Предположим, что предыдущая версия Beta(1, 1) и выборочные данные 4/20.Определите апостериорное распределение. Напомним, что одна байесовская точечная оценка \(\theta\) является апостериорным средним. Найдите апостериорное среднее \(\theta\). Означает ли это, что «данные говорят сами за себя»?
    5. Как можно изменить \(\alpha\) и \(\beta\) в дистрибутиве Beta до того, как не будет представлена ​​предварительная информация? Нарисуйте приору. Видите ли вы какие-либо потенциальные проблемы?
    6. Предположим, что бета (0, 0) априорно для \(\theta\) и выборочных данных 4/20. Определите апостериорное распределение.Найдите апостериорную моду для \(\theta\). Означает ли это, что «данные говорят сами за себя»?
    7. Теперь предположим, что параметр, который вы хотите оценить, представляет собой шансов того, что учащийся вчера был в носках, \(\phi=\frac{\theta}{1-\theta}\). Каковы возможные значения \(\phi\)? Как может выглядеть неинформативный априор? Это правильный приор?
    8. Предположим, что Beta(1, 1) предшествует \(\theta\). Используйте моделирование для аппроксимации априорного распределения шансов \(\phi\).Можно ли сказать, что это неинформативный априор для \(\phi\)?
    1. \(\theta\) принимает значения в (0, 1). Мы могли бы предположить плоскую априорную оценку для (0, 1), то есть равномерную (0, 1) априорную.

    2. Мы интерпретировали \(\alpha\) как «предыдущие успехи» и \(\beta\) как «предыдущие неудачи». Таким образом, Бета (1, 1) в каком-то смысле эквивалентна «размеру априорной выборки», равному 2. Конечно, априорной информации немного, но это и не «отсутствие априорной информации».

    3. Пропорция выборки, 4/20 = 0.2.

    4. С априорным значением Бета(1, 1) и данными выборки 4/20 апостериорное распределение будет Бета(5, 17). Апостериорное среднее \(\тета\) равно 5/22 = 0,227.{16}, 0 < \theta <1\).{16 - 1}, \qquad 0 <\theta < 1 \] То есть апостериорное распределение — это бета-(4, 16)-распределение. Апостериорное среднее 4/20=0,2, пропорция выборки. Однако апостериорная мода равна \(\frac{4-1}{4 + 16 -2}= \frac{3}{18} = 0,167\). Таким образом, апостериорная мода не позволяет «данным говорить только за себя».

    5. Если \(\theta=0\), то \(\phi=0\); если \(\theta=1\), то \(\phi = \infty\). Итак, \(\phi\) принимает значения в \((0, \infty)\). Мы могли бы выбрать плоский априор для \((0,\infty)\), \(\pi(\phi) \propto 1, \phi > 0\).Однако это было бы неправильным априором.

    6. Смоделируйте значение \(\theta\) из бета-(1, 1) распределения, вычислите \(\phi = \frac{\theta}{1-\theta}\) и повторите несколько раз. Результаты моделирования ниже. (Распределение сильно смещено вправо, поэтому мы отображаем только значения в (0, 50).)

        тета = rбета (1000000, 1, 1)
      шансы = тета / (1 - тета)
      hist(шансы[шансы<50], перерывы = 100, xlab = "шансы", частота = ЛОЖЬ,
       ylab = "плотность",
       main = "Предварительное распределение шансов, если предварительное распределение вероятности Равномерно (0, 1)")  

      Несмотря на то, что априорное значение для \(\theta\) было плоским, априорное преобразование \(\theta\) — нет.

    Неправильное априорное распределение — это априорное распределение, которое не интегрируется до 1, поэтому не является правильной плотностью вероятности. Однако неправильное собственное часто приводит к правильному апостериорному распределению. Таким образом, на практике иногда используются неправильные априорные распределения.

    Плоские априоры являются обычным выбором в некоторых ситуациях, но редко когда-либо являются лучшим выбором с точки зрения моделирования. Кроме того, плоские априоры, как правило, не сохраняются при преобразованиях параметров.2\) и наоборот.

    Пример 9.4 Предположим, что \(\theta\) представляет долю взрослых, страдающих определенным редким заболеванием.

    1. Объясните, почему вы можете не захотеть использовать плоскую априорную форму (0, 1) для \(\theta\).
    2. Предположим, что значение Uniform(0, 1) ранее. Предположим, вы проверите \(n=100\) подозрительных случаев. Используйте моделирование для аппроксимации априорного прогностического распределения числа больных в выборке. Это кажется разумным?
    3. Предположим, что значение Uniform(0, 1) ранее.Предположим, что в \(n=100\) подозреваемых случаях ни у кого на самом деле нет заболевания. Найдите и интерпретируйте заднюю медиану. Это кажется разумным?
    1. Мы знаем, что это редкое заболевание! Мы хотим сконцентрировать большую часть нашей априорной вероятности для \(\theta\) около 0,

    2. .
    3. Если заболевание редкое, мы можем не ожидать каких-либо фактических случаев в выборке из 100, может быть, 1 или 2. Однако априорное прогностическое распределение говорит, что любое значение между 0 и 100 фактическими случаями равновероятно! Это кажется очень необоснованным, учитывая, что заболевание встречается редко.

        theta_sim = runif(10000)
      y_sim = rbinom (10000, 100, theta_sim)
      история(y_sim,
           xlab = "Смоделированное количество успехов",
           main = "Предварительное прогнозное распределение")  

    4. Апостериорное распределение — это бета-распределение (1, 101). Задняя медиана равна 0,007 ( qbeta(0,5, 1, 101) ). На основе выборки из 100 подозреваемых случаев без реальных случаев апостериорная вероятность 50% больше 0.7% людей страдают этим заболеванием. Показатель 7 фактических случаев на 1000 — это не очень редкое заболевание, и мы думаем, что есть 50% вероятность того, что этот показатель еще выше? Опять же, это кажется не очень разумным, основываясь на наших знаниях о том, что это заболевание встречается редко.

    Распределения априорных прогнозов можно использовать для проверки обоснованности априорных данных для данной ситуации перед просмотром выборочных данных. Соответствуют ли смоделированные образцы тому, что вы могли бы ожидать от данных, исходя из ваших базовых знаний о ситуации? Если нет, другой предыдущий может быть более разумным.

    Догуку, Майн, Алисия Джонсон и Майлз Отт. 2022. правил Байеса! Введение в прикладное байесовское моделирование . 1-е изд. Бока-Ратон, Флорида: Чепмен; Холл/CRC.

    Добавить комментарий

    Ваш адрес email не будет опубликован.