Bayes tahmin edicilerinin karşılaştırılması

İkinci dereceden kayıp , daha önce verilen burada . Let olasılığı. Bayes tahmincisini bulun . $L(\theta,\delta)=(\theta-\delta)^2$ $\pi(\theta)$ $\pi(\theta)\sim U(0,1/2)$ $f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0$ $\delta^\pi$

Ağırlıklı karesel kaybı göz önünde burada ile önceden . Let olması olasılığı artar. Bayes tahmincisini bulun . $L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2$ $w(\theta)=\mathbb{I}_{(-\infty,1/2)}$ $\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)$ $f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0$ $\delta^\pi_1$

Karşılaştırma ve $\delta^\pi$ $\delta^\pi_1$

İlk önce olduğunu fark ettim ve bunun olasılık olduğunu varsaydım, aksi takdirde herhangi bir posterior almadım, sonra böylece kuadratik kayıp ile ilgili Bayes tahmincisi $f(x|\theta)\sim Beta(\theta,1)$

π (θ | x) \propto f (x | θ) π (θ) = θ x^{θ - 1} I_{[0, 1]} * 2 I_{(0, 1 / 2)} (θ) \sim B e t a (θ, 1)

$\pi(\theta|x)\propto f(x|\theta)\pi(\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}*2\mathbb{I}_{(0,1/2)}(\theta)\sim Beta(\theta,1)$

E [π (θ | x)] = \frac{θ}{θ + 1}

$\mathbb{E}[\pi(\theta|x)]=\frac{\theta}{\theta+1}$

Ben Bayesian Seçim kitabında bakıyorum ve ağırlıklı kuadratik kayıp ile ilişkili Bayes tahmincisi hakkında bir teorem var ve

δ^{π} (x) = \frac{E^{π} [w (θ) θ | x]}{E^{π} [w (θ) | x]}

$\delta^\pi(x)=\frac{\mathbb{E}^\pi[w(\theta)\theta|x]}{\mathbb{E}^\pi[w(\theta)|x]}$

Birisi bana nasıl hesapladığımı açıklayabilir mi?

Ne denedim:

δ^{π} (x) = \frac{\frac{\int θ w (θ) f (x | θ) π (θ) d θ}{\int w (θ) f (x | θ) π (θ) d θ}}{\frac{\int f (x | θ) π (θ) d θ}{\int w (θ) f (x θ) π (θ) d θ}}

$\delta^\pi(x)=\frac{\frac{\int \theta w(\theta)f(x|\theta)\pi(\theta)d\theta}{\int w(\theta)f(x|\theta)\pi(\theta)d\theta}}{\frac{\int f(x|\theta)\pi(\theta)d\theta}{\int w(\theta)f(x\theta)\pi(\theta)d\theta}}$

Desteğin olduğunu biliyorum, ancak payda entegre olmaya çalıştığımda $[0,\frac{1}{2}]$

\int θ w (θ) f (x | θ) π (θ) d θ = \int_{0}^{\frac{1}{2}} θ θ x^{θ - 1} d θ = \frac{1}{x} \int_{0}^{\frac{1}{2}} θ^{2} x^{θ} d θ

$\int \theta w(\theta)f(x|\theta)\pi(\theta)d\theta=\int_0^\frac{1}{2}\theta\theta x^{\theta-1}d\theta=\frac{1}{x}\int_0^\frac{1}{2}\theta^2 x^\theta d\theta$

İyi sonuç alamıyorum.

— Xi'an
kaynak

Burada negatif değil mi?

w (θ)

$w(\theta)$

— Juho Kokkala

"Sadece negatif olmayanlar için" hakkındaki görüşünüzü anlamıyorum, çünkü (1) bir kayıp fonksiyonu hiç negatif olmayacak ve (2) kayıp fonksiyonunuz yine de negatif olamaz.

w (θ)

$w(\theta)$

— whuber

@whuber Gosh, şimdi aptallığımı fark ettim, gösterge desteğine bakıyordum

Yanıtlar:

İlk olarak, olasılık tanımlarınızdaki gösterge fonksiyonlarının wrt sorununun değil fonksiyonları olması gerektiği için düzeltildiğini unutmayın . Bu nedenle, olasılıkla birine entegre olan olabilir: $x$ $\theta$

f (x) = θ x^{θ - 1} I_{[0, 1]} (x)

$f(x)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x)$

\int_{0}^{1} θ x^{θ - 1} d x = 1

$\int_0^1 \theta x^{\theta-1}\text{d}x = 1$

İkinci olarak, arka bölgesindeki ile gösterildiği gibi yana olduğunu bir Beta fonksiyonu Greenparker Kısıtlama nedeniyle değerlerinde de bir Gamma dağılımı değil, Gamma dağılımının kısalmasıdır. $\theta$

π (θ | x) \propto I_{[0, 1 / 2]} (θ) θ x^{θ - 1} \propto I_{[0, 1 / 2]} (θ) θ \exp {\log (x) θ}

$\pi(\theta|x)\propto\, \mathbb{I}_{[0,1/2]}(\theta)\theta x^{\theta-1}\propto \mathbb{I}_{[0,1/2]}(\theta)\,\theta \exp\{\log(x)\theta\}$

θ

$\theta$

Dolayısıyla Bayes tahmincisi arka beklentidir tamamlanmamış Gamma işlevinin kullanılmasını gerektirebilecek gibi görünen ancak parçaya entegrasyonla kapalı biçimde türetilebilen : beri

\begin{aligned} E [θ | x] & = \int_{0}^{1 / 2} θ \times θ \exp {\log (x) θ} d θ / \int_{0}^{1 / 2} θ \exp {\log (x) θ} d θ \\ = \int_{0}^{1 / 2} θ^{2} \exp {\log (x) θ} d θ / \int_{0}^{1 / 2} θ \exp {\log (x) θ} d θ \end{aligned}

$\begin{align*}\mathbb{E}[\theta|x] &= \int_0^{1/2} \theta\times\theta \exp\{\log(x)\theta\}\text{d}\theta \Big/ \int_0^{1/2} \theta \exp\{\log(x)\theta\}\text{d}\theta\\&= \int_0^{1/2} \theta^2 \exp\{\log(x)\theta\}\text{d}\theta \Big/ \int_0^{1/2} \theta \exp\{\log(x)\theta\}\text{d}\theta\\\end{align*}$

\int_{0}^{1 / 2} θ^{k} \exp {- α θ} d θ = \frac{- 1}{α} {[θ^{k} \exp {- α θ}]}_{0}^{1 / 2} + \frac{k}{α} \int_{0}^{1 / 2} θ^{k - 1} \exp {- α θ} d θ

$\int_0^{1/2} \theta^k \exp\{-\alpha\theta\}\text{d}\theta = \frac{-1}{\alpha}\left[\theta^k \exp\{-\alpha\theta\}\right]_0^{1/2} + \frac{k}{\alpha}\int_0^{1/2} \theta^{k-1} \exp\{-\alpha\theta\}\text{d}\theta$

\int_{0}^{1 / 2} \exp {- α θ} d θ = \frac{1 - \exp {- α / 2}}{α}

$\int_0^{1/2} \exp\{-\alpha\theta\}\text{d}\theta = \frac{1-\exp\{-\alpha/2\}}{\alpha}$

Son olarak, kitabımda belirtildiği gibi , küçültme, de en aza indirmek için eşdeğerdir kendisi orijinalinden önceki yerine yeni bir önceki yoğunluğa göre yeniden düzenlenmesi gereken, yani, $\delta$

\int w (θ) (θ - δ)^{2} π (θ | x) d θ

$\int w(\theta)(\theta-\delta)^2 \pi(\theta|x) \text{d}\theta$

δ

$\delta$

\int w (θ) (θ - δ)^{2} π (θ) f (x | θ) d θ

$\int w(\theta)(\theta-\delta)^2 \pi(\theta)f(x|\theta) \text{d}\theta$

δ

$\delta$

\int (θ - δ)^{2} w (θ) π (θ) f (x | θ) d θ

$\int (\theta-\delta)^2 w(\theta)\pi(\theta)f(x|\theta) \text{d}\theta$

π

$\pi$

w (θ) π (θ)

$w(\theta)\pi(\theta)$

π_{1} (θ) = w (θ) π (θ) / \int w (θ) π (θ) d θ

$\pi_1(\theta)=w(\theta)\pi(\theta) \Big/\int w(\theta)\pi(\theta)\text{d}\theta$

— Xi'an
kaynak

Kare hata kaybı kısmına verdiğiniz yanıt yanlış.

π (θ | x) \propto f (x | θ) π (θ) = 2 θ x^{θ - 1} I_{(0, 1 / 2)} (θ) .

$\pi(\theta|x) \propto f(x|\theta) \pi(\theta) = 2\theta x^{\theta-1}I_{(0,1/2)}(\theta).$

Bu bir dağıtım , değil de ve posterior rastgele değişken . Bu yüzden cevabınız yanlış ve doğru cevap bu dağılımın posterior ortalaması olacaktır. $Beta(\theta,1)$ $x$ $\theta$ $\theta$

İkinci kısım için,

(Ağırlıklı kayıp işlevi için önceki değer ancak bunu . Gösterimi tekrar .) $\pi_1$ $\pi$ $\pi_1$

Let , burada , bir normalleştirme sabittir. Hesaplamanız gerekiyor $\pi'(\theta) = cw(\theta) \pi_1(\theta)$ $c$

\begin{aligned} δ^{π_{1}} (x) & = \frac{E^{π_{1}} [w (θ) θ | x]}{E^{π_{1}} [w (θ | x)]} \\ = \frac{\int w (θ) θ f (x | θ) π_{1} (θ) d θ}{\int w (θ) f (x | θ) π_{1} (θ) d θ} \\ = \frac{\int θ f (x | θ) π^{'} (θ) d θ}{\int f (x | θ) π^{'} (θ) d θ} \\ = E^{π^{'}} [θ | x] \end{aligned}

$\begin{align*} \delta^{\pi_1}(x) & = \dfrac{E^{\pi_1}[w(\theta) \theta |x ]}{E^{\pi_1}[w(\theta|x)]}\\ & = \dfrac{\int w(\theta) \theta f(x|\theta) \pi_1(\theta)\, d\theta}{\int w(\theta) f(x|\theta)\pi_1(\theta)\, d\theta}\\ & = \dfrac{\int \theta f(x|\theta) \pi'(\theta) \,d\theta}{\int f(x|\theta) \pi'(\theta) \, d\theta}\\ & = E^{\pi'}[\theta|x] \end{align*}$

Bu nedenle, ağırlıklı en küçük kareler kaybı fonksiyonu için teorem, Bayes tahmininin farklı bir öncekine göre posterior ortalama olduğunu söylüyor. Önceki

π^{'} (θ) \propto w (θ) π_{1} (θ) .

$\pi'(\theta) \propto w(\theta) \pi_1(\theta).$

Normalleştirme sabiti . $\int_{\theta} w(\theta) \pi(\theta) d\theta = E_{\pi_1}[w(\theta)]$

\begin{aligned} E_{π_{1}} [w (θ)] & = \int_{0}^{1 / 2} I_{0, 1} (θ) d (θ) = \frac{1}{2} . \end{aligned}

$\begin{align*} E_{\pi_1}[w(\theta)] & = \int_{0}^{1/2} I_{0,1}(\theta) d(\theta) = \frac{1}{2}. \end{align*}$

Dolayısıyla, önceki . Bu, ilk soruda öncekiyle aynıdır. $\pi'(\theta) = 2I_{(0,1/2)}(\theta)$

Böylece senaryoların cevabı (ne olursa olsun) aynı olacaktır. İntegrali burada bulabilirsiniz . Bununla birlikte, cevabın şeklini düzeltmek ve integrali tamamlamak yeterli olmayabilir.

— Greenparker
kaynak