Bayesian analysis of semiparametric linear-circular models

Bhattacharya, Sourabh; SenGupta, Ashis

doi:10.1198/jabes.2009.0003

Cited by 25 publications

(13 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The data set consisted of a measure of air quality index (y), the associated temperature (x), and wind direction ( ). Clearly, a linear-circular model is appropriate for this data set, and the methodology proposed by Bhattacharya and SenGupta (2009) seemed to perform satisfactorily. It is to be noted, however, the linear-circular models proposed by Johnson and Wehrly (1978) cannot be handled by the approach of Bhattacharya and SenGupta (2009), and requires ISMCMC or related algorithms.…”

Section: Discussionmentioning

confidence: 94%

Bayesian inference for circular distributions with unknown normalising constants

Bhattacharya

SenGupta

2009

Journal of Statistical Planning and Inference

Self Cite

View full text Add to dashboard Cite

Section: Discussionmentioning

confidence: 94%

Bayesian inference for circular distributions with unknown normalising constants

Bhattacharya

SenGupta

2009

Journal of Statistical Planning and Inference

Self Cite

View full text Add to dashboard Cite

“…This might be done by combining our approach to modeling the marginal distributions of circular variables with copula methods as in e.g., Carnicero et al (2013). Secondly, approaches to regression models, similar to Bhattacharya and SenGupta (2009) where DP mixtures of von Mises distributions were used, or time series, extending the approach of Coles (1998) where wrapped normal distributions to the semiparametric setting might be considered. Finally, it would be interesting to consider extensions to spherical and hyperspherical data which have been analyzed in a classical nonparametric framework using von Mises kernels in e.g., Hall et al (1987).…”

Section: Conclusion and Extensionsmentioning

confidence: 99%

Bayesian Nonparametric Models of Circular Variables Based on Dirichlet Process Mixtures of Normal Distributions

Núñez-Antonio

Ausín

Wiper

2014

JABES

View full text Add to dashboard Cite

This article introduces two new Bayesian nonparametric models for circular data based on Dirichlet process (DP) mixtures of normal distributions. The first model is a projected DP mixture of bivariate normals and the second approach is based on a wrapped DP mixture of normal distributions. We show how to carry out inference for these models based on a slice sampling scheme and introduce an approach to estimating a variant of the deviance information criterion which is appropriate in the context of latent variable models. Our models are then compared with both simulated and real data examples.

show abstract

“…4,5 Bu dağılımlar için karma dağılım sayısı bilinmediği durumlarda Dirichlet süreci kullanılarak Bayesci yarı parametrik yöntemlerde önerilmiştir. 15,16 BULGULAR Bu bölümde, tek tepeli, iki-tepeli karma dairesel dağılımlar ve genelleştirilmiş von Mises dağılımla-rını kullanarak, ilk önce DASSD 1 protein veri tabanındaki Alanin amino asitler dizisi (Ala-AlaAla) için dihedral açısı , daha sonra ise su kaplumbağalarının kumsaldan dönüş yönleri verileri analiz edildi. Bu veri setlerinin analizinde açı birimi derece yerine radyan kullanılmıştır, yani derece birimiyle ifade edilen açı değerleri /180 ile çarpılmıştır.…”

Section: Genelleştirilmiş Von Mises Dağılımıunclassified

Bi-Modal and Mixture Distributions in Circular Data Analysis

Kılıç¹

2016

Turkiye Klinikleri J Biostat

View full text Add to dashboard Cite

ÖZET Amaç: Dairesel istatistik, açı olarak gözlenen verileri birim daire üzerinde analiz eden özel bir alandır. Çevre, biyoloji veya tıp gibi çok çeşitli çalışmalarda dairesel (açısal) veriler araştırmanın önemli bir bölümünü oluşturmaktadır. Örneğin, proteinlerdeki dihedral açılardan faydalanılarak proteinlerin ikincil yapısının belirlenmesi ya da geometrik morfolojide eklemi oluşturan kemikler arasındaki açılarla yürüyüş bozuklukları gibi fiziksel bozuklukların belirlenmesi, ya da su kaplumbağalarının yumurtalarını bıraktıktan sonra sahile dönüş yönleri ile kumsalların planlanması bu alanın önemli uygulamalarındandır. Bu çalışmalarda doğrusal istatistik yöntemlerin kullanılması dairesel verilerin geometrik şeklinden dolayı yanıltıcı sonuçlara yol açmaktadır. Bundan dolayı bu tür açısal verileri analiz ederken, dairesel istatistik yöntemleri kullanılmalıdır. Bu çalışmanın amacı, dairesel veri analizinde iki-tepeli ve karma dağılımları karşılaştırmaktır. Gereç ve Yöntemler: Bu çalış-mada, iki-tepeli karma von Mises, sarmal Normal ve sarmal Cauchy dağılımları ile genelleştirilmiş von Mises dağılımları kullanılmış ve tahmin edicileri elde etmek için iteratif yöntemler kullanılmıştır. İteratif yöntemler R programında uygulanmış ve dairesel dağılımların parametre tahmini için R kodları verilmiştir. Bununla birlikte, bu dairesel dağılımlar, proteinlerdeki dihedral açıları ve su kaplumbağalarının kumsaldan ayrılış yönleri verileriyle incelenmiş ve model seçimi Akaike ve Bayesci bilgi kriterleri kullanılarak yapılmıştır. Bulgular: Proteinlerdeki dihedral açılar için, en iyi uyumu iki-tepeli sarmal Cauchy dağılımı vermiştir. Su kaplumbağalarının dönme açıları için, en iyi uyumu genelleştirilmiş von Mises ve iki-tepeli karma von Mises dağılımları vermiştir. Sonuç: Dairesel verilerde bir veya birden fazla tepe noktasında aşırı bir yoğunlaşma gözlendiğinde, iki-tepeli karma von Mises ve genelleştirilmiş von Mises dağılımları, modelleme olarak tercih edilmeyebilir. Dairesel verilerin tepe noktalarında aşırı bir yoğunlaşma gözlenmediğinde ise genelleştirilmiş von Mises dağılımları dairesel verileri modellemek için önerilebilir.Anahtar Kelimeler: Dairesel veri analizi; dairesel dağılımlar; açısal veri ABSTRACT Objective: Circular statistics is a special area which is analyzed by observed angular data on the unit circle. In many various studies, such as environment, biology or medicine, circular (angular) data is an important part of the research. For illustration, to determine the secondary structure of the proteins by utilizing dihedral angles or to asses physical disorders such as gait disturbances between the bones in the geometric morphology or the organization of the beach after leaving the eggs of sea turtles, are the important applications of this area. The uses of linear statistical methods in this area lead to misleading results because of the geometric shape of the circular data. Therefore, when it is analyzing such angular data, circular statistical methods should be used. The objective of this study is compared wi...

show abstract

Bayesian analysis of semiparametric linear-circular models

Cited by 25 publications

References 19 publications

Bayesian inference for circular distributions with unknown normalising constants

Bayesian inference for circular distributions with unknown normalising constants

Bayesian Nonparametric Models of Circular Variables Based on Dirichlet Process Mixtures of Normal Distributions

Bi-Modal and Mixture Distributions in Circular Data Analysis

Contact Info

Product

Resources

About