paul-buerkner/brms

Implementing the Skewed T-Distribution

Offen

#513 geöffnet am 03.09.2018

Auf GitHub ansehen
 (11 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)R (220 Forks)batch import
familyfeaturegood first issue

Repository-Metriken

Stars
 (1.402 Sterne)
PR-Merge-Metriken
 (Durchschn. Merge 7T 21h) (1 gemergte PR in 30 T)

Beschreibung

The skew normal family is great for modeling skewed gaussian data, and the student t distribution is great for outliers. But if one has both skewed data and outliers, the skewed t-distribution might be quite useful! How practical would it be to implement this in brms? This paper outlines an implementation in an MLE/EM setting, but I'm not quite skilled enough to implement it in Stan myself.

https://en.wikipedia.org/wiki/Skewed_generalized_t_distribution#Skewed_t_distribution

Contributor Guide

Research-Richtung
Lesen Sie das referenzierte Paper über die schiefe t Verteilung. Überprüfen Sie, wie brms Familien und deren Stan Code definiert, z.B. die skew normal Familie. Implementieren Sie die schiefe t Verteilung in Stan, erstellen Sie dann die brms Familienfunktion und Tests. Befolgen Sie die Beitragsrichtlinien.
Tech Stack
r
Domain
datamachine learning
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
4
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Über 1 Woche
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
RBayesian statistics
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
20