Vikipedi sayfasında gerçekten "varyans sabitleyici dönüşüm" terimi kullanılmıyor. "Varyans stabilize edici transformasyon" terimi genellikle rastgele değişkenin varyansını sabit yapan dönüşümleri belirtmek için kullanılır. Bernoulli davasında olmasına rağmen, dönüşümde olan şey budur, tam olarak hedef bu değildir. Amaç, sadece varyans dengeleyici değil, düzgün bir dağılım elde etmektir.
Jeffreys'i daha önce kullanmanın temel amaçlarından birinin, dönüşüm altında değişmez olduğunu hatırlayın. Bu, değişkeni yeniden parametreleştirirseniz öncekinin değişmeyeceği anlamına gelir.
1.
Bu Bernoulli davasından önceki Jeffreys, belirttiğiniz gibi bir Beta( 1 / 2 , 1 / 2 ).
pγ( γ) ∝ 1γ( 1 - γ)-------√.
İle yeniden parametreleme γ= günah2(θ), we can find the distribution of θ. First lets see that θ=arcsin(γ−−√), and since 0<γ<1, 0<θ<π/2. Recall that sin2(x)+cos2(x)=1.
Fθ(x)fθ(x)=P(θ<x)=P(sin2(θ)<sin2(x))=P(γ<sin2(x))=Fγ(sin2(x))=dFγ(sin2(x)dx=2sin(x)cos(x)pγ(sin2(x))∝sin(x)cos(x)1sin2(x)(1−sin2(x))−−−−−−−−−−−−−−−−√=1.
Thus θ is the uniform distribution on (0,π/2). This is why the sin2(θ) transformation is used, so that the re-parametrization leads to a uniform distribution. The uniform distribution is now the Jeffreys prior on θ (since Jeffreys prior is invariant under transformation). This answers your first question.
2.
Often in Bayesian analysis one wants a uniform prior when there is not enough information or prior knowledge about the distribution of the parameter. Such a prior is also called a "diffuse prior" or "default prior". The idea is to not commit to any value in the parameter space more than other values. In such a case the posterior is then completely dependent on the data likelihood. Since,
q(θ|x)∝f(x|θ)f(θ)∝f(x|θ).
If the transformation is such that the transformed space is bounded, (like (0,π/2) in this example), then the uniform distribution will be proper. If the transformed space is unbounded, then the uniform prior will be improper, but often the resulting posterior will be proper. Although, one should always verify that this is the case.