Bu, özellikle ampirik Bayes (EB) 'den gelen bir terimdir, aslında atıfta bulunulan kavram gerçek Bayesci çıkarımda mevcut değildir. Orijinal terim, 1960'larda John Tukey tarafından icat edilen ve 1970'lerde ve 1980'lerde Stein'in paradoksu ve parametrik EB hakkında bir dizi istatistiksel makalede daha popüler hale gelen "borçlanma gücü" idi. Birçok kişi artık aynı kavramın eş anlamlısı olarak "bilgi borçlanması" veya "bilgi paylaşımı" kullanmaktadır. Karma modeller bağlamında duyabilmenizin nedeni, karma modeller için en yaygın analizlerin EB yorumuna sahip olmasıdır.
EB'nin birçok uygulaması vardır ve birçok istatistiksel model için geçerlidir, ancak bağlam her zaman çok sayıda (muhtemelen bağımsız) vakanız olduğu ve her durumda belirli bir parametreyi (ortalama veya varyans gibi) tahmin etmeye çalıştığınızdır. Bayesci çıkarımda, parametre hakkında hem her durum için gözlenen verilere hem de o parametre için önceki dağılıma dayalı olarak posterior çıkarımlar yaparsınız. EB çıkarımında, parametre için önceki dağılım, tüm veri vakaları koleksiyonundan tahmin edilir ve daha sonra çıkarım Bayesian çıkarımında olduğu gibi ilerler. Bu nedenle, belirli bir durum için parametreyi tahmin ettiğinizde, hem o vaka için verileri hem de tahmini önceki dağılımı kullanırsınız ve ikincisi "bilgi" veya "gücü" temsil eder
Şimdi EB'nin neden "ödünç aldığını" görebilirsiniz, ancak gerçek Bayes değil. Gerçek Bayes'te, önceki dağıtım zaten var ve bu yüzden yalvarmak ya da ödünç alınması gerekmiyor. EB'de, önceki dağılım gözlemlenen verilerin kendisinden yaratılmıştır. Belirli bir vaka hakkında çıkarım yaptığımızda, o davadan gözlemlenen tüm bilgileri ve diğer davaların her birinden biraz bilgi kullanırız. Bunun sadece "ödünç alınmış" olduğunu söylüyoruz, çünkü bir sonraki vaka hakkında çıkarımda bulunmak için devam ettiğimizde bilgi geri verilir.
EB ve "bilgi borçlanması" fikri, her "vaka" genellikle bir gen veya genomik özellik olduğunda istatistiksel genomikte yoğun olarak kullanılmaktadır (Smyth, 2004; Phipson ve ark., 2016).
Referanslar
Efron, Bradley ve Carl Morris. Stein'ın istatistik paradoksu. Scientific American 236, no. 5 (1977): 119-127'de tarif edilmektedir. http://statweb.stanford.edu/~ckirby/brad/other/Article1977.pdf
Smyth, GK (2004). Mikroarray deneylerinde diferansiyel ekspresyonu değerlendirmek için doğrusal modeller ve ampirik Bayes yöntemleri. Genetik ve Moleküler Biyolojide İstatistiksel Uygulamalar Cilt 3, Sayı 1, Madde 3
http://www.statsci.org/smyth/pubs/ebayes.pdf
Phipson, B, Lee, S, Majewski, IJ, Alexander, WS ve Smyth, GK (2016). Sağlam hiperparametre kestirimi, hiperdeğişken genlere karşı koruma sağlar ve diferansiyel ekspresyonu saptama gücünü artırır. Yıllık Uygulamalı İstatistik 10, 946-963.
http://dx.doi.org/10.1214/16-AOAS920