Sur la distribution gamma. Le paramètre beta est un paramètre d'échelle (scale), et il est parfois utile de le fixer égal à 1. On parle alors de la forme standard de la distribution gamma (standard form, standard gamma, etc.). Voir aussi Johnson et al. (1995, continuous univariate distribution, volume 1, p. 337, équation 17.2).
À noter aussi: sous R comme sous JAGS, par défaut le paramètre contrôlant ce "scaling" est le taux (rate) = 1/paramètre d'échelle. Et par défaut, ce paramètre vaut 1 sous R.

Une autre solution au slicer coincé à l'infini. Et une explication au problème...
grrrrrr

Edit: si le problème se produit, il ne faut pas oublier que la distribution gamma inclue une *fonction* gamma, et que Gamma(x) = (x-1)!
Et la factorielle augmente assez fortement avec x. Donc pour une distribution gamma G(a,b), si a est trop important, Gamma(a) ne pourra être calculé numériquement, et ça se traduira par une valeur infinie. Un bidouillage consiste à tronquer la prior de a si a est une variable à estimer.

Intéressant: les 7 piliers de la sagesse statistique d'après Stigler.

Une thèse. Paraitrait qu'elle est pas mal.

Une belle animation décrivant une technique de calcul du produit vectoriel en physique.

Je me stocke ça ici pour si jamais un jour je retombe sur le même problème. Quand on ajuste un modèle de tendance temporelle avec des résidus autocorrélés selon un modèle de corrélation exponentielle (Diggle et al. 2002, Analysis of longitudinal data, p. 56) avec JAGS, il ne faut pas générer les résidus en tirant dans une loi multinormale de moyenne nulle que l'on va ajouter à une tendance. Il faut tirer dans une loi multinormale dont le vecteur moyenne EST la tendance. Je me suis arraché les cheveux là-dessus, mais le mélange est bien meilleur si l'on procède comme ça. Autrement dit, il ne faut pas faire ça:

residus~dmnorm(vecteurDeZeros, Omega)
for (i in 1:10) {
   esperance[i]<- mu[i] + residus[i]
}

Mais plutôt faire ça:

esperance~dmnorm(mu, Omega)

Les chaînes se mélangent mieux. Fallait le savoir...

Edit: Bon apparemment, la stratégie est connue et est valable pour tout modèle linéaire réclamant un résidu quelconque: on ne doit jamais tirer au sort un résidu dans une loi normale de moyenne nulle. Mais on indique que la réponse suit une loi normale de moyenne correspondant à l'espérance modélisée. Ça s'appelle du hierarchical centring (voir Browne et al. 2009, dans Journal of the Royal Statistical Society). Par contre, il paraît que ça marche pas top quand la variance est faible.

Les IF 2013 sont arrivés

La nation bab par excellence. Je savais même pas que ça existait.

Application du théorème de Slutsky pour démontrer qu'une variable centrée et réduite multipliée par sqrt(n) converge en distribution vers une loi normale centrée et réduite quand n tend vers l'infini.

Via le hollandais volant. Je me suis toujours demandé s'il existait des bons bouquins retraçant l'histoire de la langue. Le journaliste donne des refs