Bu Larry Wasserman tarafından yazılmış bir kitapta verilen bir "fleshed" örneğidir istatistiklerin tamamı Sayfa 216 üzerinde ( 12.8 Güçlü ve Bayes Çıkarım zayıf yönleri ). Temel olarak Wasserman'in kitabında olmayanları anlatıyorum 1) fırlatma çizgisinden ziyade neler olup bittiğine dair bir açıklama; 2) Wasserman'in rahatça veremediği sık sorulan cevabı; ve 3) aynı bilgiyi kullanarak hesaplanan eşdeğer güvenin aynı problemden muzdarip olduğunu gösteren bir gösteri .
Bu örnekte, aşağıdaki durumu belirtir
- Örnekleme dağılımına sahip bir gözlem, X:(X|θ)∼N(θ,1)
- önceden dağıtılması varyans için gerçekte bir genel kullanıyor , ancak şeması için uzmanlaşmış )τ 2 τ 2 = 1(θ)∼N(0,1)τ2τ2=1
Daha sonra, bu kurulumda% 95'lik güvenilir bir aralık kullanarak bir Bayesian kullanarak, sonunda gerçek değeri keyfi olarak büyük olduğunda,% 0 sıklıkta kapsama alanı olduğunu göstermeye devam ediyor . Örneğin, kapsama alanı için bir grafik sunar (p218) ve teta'nın gerçek değeri 3 olduğunda, gözle kontrol ederek kapsama yaklaşık% 35'tir. Sonra söylemeye devam ediyor:θθθ
... Bütün bunlardan ne sonuç çıkarmalıyız? Önemli olan, sık ve Bayes yöntemlerinin farklı soruları yanıtladığını anlamaktır. Önceki inançları verilerle ilkeli bir şekilde birleştirmek için Bayesian çıkarımını kullanın. Güven aralıkları gibi garantili uzun süreli performans ile prosedürler oluşturmak için sık kullanılan yöntemler kullanın ... (p217)
Ve sonra Bayes yönteminin neden bu kadar kötü performans gösterdiğinin bir diseksiyonu veya açıklaması olmadan devam ediyor . Dahası, sık kullanılan yaklaşımdan bir cevap vermez, sadece “uzun dönem” hakkında geniş bir fırça ifadesi - klasik bir politik taktik (gücünüzü + başkalarının zayıflığını vurgular, ancak hiçbir zaman benzerlerini karşılaştırmaz).
olarak belirtilen sorunun sık / ortodoks terimlerle nasıl formüle edilebileceğini göstereceğim ve ardından güven aralıklarını kullanarak sonucun tam olarak Bayesian ile aynı cevabı verdiğini göstereceğim . Böylece, Bayesian'deki herhangi bir kusur (gerçek veya algılanan) güven aralıkları kullanılarak düzeltilmez.τ=1
Tamam, işte gidiyoruz. Sorduğum ilk soru önceki tarafından hangi bilgi durumunun tanımlandığı ? Biri hakkında "cahil" ise , bunu ifade etmenin uygun yolu . Şimdi cahil olduğumuzu varsayalım ve bağımsız olarak gözlemledik . için posteriorumuz ne olurdu ?θ s ( θ ) α 1 , Y ~ N ( θ , 1 ) X, θθ∼N(0,1)θp(θ)∝1Y∼N(θ,1)Xθ
p(θ|Y)∝p(θ)p(Y|θ)∝exp(−12(Y−θ)2)
Böylece . Bu Wassermans örnekte verilen önceki dağılımı, bir iid kopyasını gözlenen sahip denk olduğu anlamına gelir eşittir . Sık kullanılan yöntemler bir öncekiyle baş edemez, ancak örnekleme dağılımından biri , diğeri eşit olan 2 gözlem yapmış gibi düşünülebilir . Her iki sorun da tamamen eşdeğerdir ve aslında soru için sıkça cevap verebiliriz.(θ|Y)∼N(Y,1)X00X
Bilinen varyansa sahip normal bir dağılımla uğraştığımız için, ortalama için bir güven aralığı oluşturmak için yeterli bir istatistiktir . Ortalama, eşittir ve örnekleme dağılımına sahiptirθx¯¯¯=0+X2=X2
(x¯¯¯|θ)∼N(θ,12)
Böylece bir CI şöyle verilir:(1−α)%
12X±Zα/212–√
Ancak, Wasserman için örnek 12.8'in sonuçlarını kullanarak, için posterior güvenilir aralığın şöyle verildiğini gösteriyor:(1−α)%θ
cX±c√Zα/2
.
Burada . Böylece, değerine değerini verir ve güvenilir aralık şöyle olur:c=τ21+τ2τ2=1c=12
12X±Zα/212–√
Güven aralıkları ile tamamen aynı. Bu yüzden, kapsamda Bayesian yönteminin gösterdiği herhangi bir kusur, sık güven aralığı kullanılarak düzeltilmez! [Eğer görmezden gelmeyi seçerse, o zaman adil bir kıyaslama yapmayı seçtiyse, Bayesyen de bunu önceden görmezden gelmeli ve cehaletten önce ve iki aralık yine de eşit olacaktır - her iki ].X ± Z α / 2 )p(θ)∝1X±Zα/2)
Peki burada neler oluyor? Sorun temel olarak normal örnekleme dağılımının sağlam olmama sorunlarından biridir. çünkü sorun zaten bir kimlik kopyasını gözlemlemeyle eşdeğerdir, . Eğer gözlenen varsa , o zaman bu son derece olası gerçek değeri ise gerçekleşmiş olma (olasılık olduğunu zaman 0,000032 olan). Bu, kapsamın büyük “gerçek değerler” için neden bu kadar kötü olduğunu açıklar, çünkü bir öncekinde yer alan örtülü gözlemi etkili bir şekilde yaparlar . Aslında, bu örneğin temelde aritmetik ortalamanın sınırsız bir etki işlevine sahip olduğunu göstermeye eşdeğer olduğunu gösterebilirsiniz.0 θ = 4 X ≤ 0 θ = 4X=00θ=4X≤0θ=4
Genelleme. Şimdi bazı insanlar "ama sadece özel bir durum olabilen düşündünüz" diyebilir . Bu doğru değil: herhangi bir değeri , tüm kopyalarının eşit olduğu gözlemlenerek yorumlanabilir . , sorunun ek olarak . Güven aralığı, büyük için aynı "kötü" kapsam özelliklerine sahip olacaktır . Eğer gözlemleyerek değerleri tutmak Ama eğer bu giderek olası hale gelir (ve hiçbir akıllı insan büyük dert devam edeceğini görmeye devam zaman ).τ 2 = 1τ=1 (N=0,1,2,3,…)NX0Xθ0θ0τ2=1N (N=0,1,2,3,…)NX0Xθ0θ0