Bir süredir Bayesci istatistiklerde eşlenik öncelikler fikrini anlamaya çalışıyorum ama anlayamıyorum. Bu fikri belki de en basit terimlerle açıklayabilir, belki de "Gauss öncesi" yi örnek olarak kullanabilir miyiz?
Bir süredir Bayesci istatistiklerde eşlenik öncelikler fikrini anlamaya çalışıyorum ama anlayamıyorum. Bu fikri belki de en basit terimlerle açıklayabilir, belki de "Gauss öncesi" yi örnek olarak kullanabilir miyiz?
Yanıtlar:
Bir parametrenin önceliği neredeyse her zaman belirli bir fonksiyonel forma sahip olacaktır (genellikle yoğunluk cinsinden yazılır). Diyelim ki kendimizi belirli bir dağıtım ailesiyle sınırlandırıyoruz, bu durumda önceden seçmemiz o ailenin parametrelerini seçmeye indirgeniyor.
Örneğin, normal bir modelini . Basit olması için, bilinen şekilde ele alalım . Modelin bu kısmı - veri modeli - olabilirlik fonksiyonunu belirler.σ 2
Bayesci modelimizi tamamlamak için burada .
Yukarıda belirtildiği gibi, yaygın olarak için önceliğimiz için bazı dağıtım ailesi belirtebiliriz ve daha sonra sadece bu dağıtımın parametrelerini seçmeliyiz (örneğin, genellikle önceki bilgiler oldukça belirsiz olabilir - kabaca olasılığın konsantre olmasını istediğimiz yerde olduğu gibi) - çok spesifik fonksiyonel formdan ziyade, parametreleri seçerek istediğimizi modellemek için yeterli özgürlüğe sahip olabiliriz - önceki bir ortalama ve varyansla eşleştiğini varsayalım).
Eğer bunun için arka çıkıyor dan aynı sonra, önceden olduğu gibi ailenin önceki is "eşlenik" olduğu söylenir söyledi.
(Konjuge olmasını sağlayan şey, olasılıkla bir araya gelme şeklidir)
Öyleyse bu durumda (örneğin ) için bir Gaussian alalım . Eğer bunu yaparsak, için posteriorun da Gausscu olduğunu görürüz . Sonuç olarak, Gauss öncesi, yukarıdaki modelimiz için önceki bir eşlenikti.μ ∼ N ( θ , τ 2 ) μ
Gerçekten hepsi bu kadar - posterior öncekiyle aynı aileden geliyorsa, daha önce bir eşlenik.
Basit durumlarda, olasılığın incelenmesi ile bir konjugatı tanımlayabilirsiniz. Örneğin, bir binom olasılığını düşünün; sabitleri bırakarak, bu bir beta yoğunluğu benziyor ; çünkü yolu yetkilerinin ve birleştirmek, bu çarpın bir beta tarafından önceden de yetkilerinin ürün elde edecek ve biz olasılığı o hemen görebilirsiniz ... beta binom olasılığından önce için bir konjugat olacaktır .p ( 1 - p ) p ( 1 - p ) p
Gauss davasında, log yoğunluklarını ve log olasılığını göz önünde bulundurarak bunun gerçekleşeceğini görmek en kolayıdır; log olabilirliği kuadratik olacaktır ve iki kuadratik toplamı kuadratiktir, bu nedenle kuadratik bir log-önceki + kuadratik log-olabilirliği kuadratik bir posterior verir (en yüksek derecedeki terim katsayılarının her biri elbette negatif olacaktır) .
Modeliniz üstel bir aileye aitse , yani dağıtımın yoğunluğu biçimindeyse
bir göre verilen hakim ölçü (Lebesgue, sayma, ve Tc.), burada O anlamına gelir skalar fazla ürün ve
ölçülebilir fonksiyonlar, konjugata önceki değerler vardır biçimi yoğunlukları ile tanımlanır
[
Hakim önlemin seçimi, öncelikler ailesi için belirleyicidir. Örneğin , Glen_b'nin cevabında olduğu gibi üzerinde Normal ortalama bir olasılıkla karşılaşırsa , baskın önlem olarak Lebesgue ölçüsü seçildiğinde Normal öncelikler eşlenik olur. Bunun yerine , hakim önlem olarak seçerseniz, konjugat öncelikleri yoğunluğu olan dağıtım ailesi içinde bulunur
d μ ( 1 + μ 2 ) - 2 d μ exp { - α ( μ - μ 0 ) 2 }
Bu üstel aile ortamının dışında, eşlenik önceliklere izin veren sabit bir desteğe sahip önemsiz bir dağıtım ailesi yoktur. Bu Darmois-Pitman-Koopman lemmasının bir sonucudur .
Bir dağıtımın "çekirdeği" kavramını kullanmayı seviyorum. Burası yalnızca parametreye bağlı parçalarda bıraktığınız yerdir. Birkaç basit örnek.
Olabilirlik fonksiyonuna baktığımızda, aynı şeyi yapabilir ve bunu "çekirdek formunda" ifade edebiliriz. Örneğin iid verileriyle
Bir anlamda bir konjugat, daha önce gözlemlenen verilere "sahte veri" eklenmesine ve daha sonra parametrelerin tahmin edilmesine benzer şekilde davranır.