Önce Bayesci bir modelin takılması, ardından öncelikleri zayıflatmaya başlaması uygun mudur?


10

Sık sık istatistik yaparken, daha fazla veri toplamaya karar vermeden önce istatistiksel testlerin sonuçlarına bakmak gibi büyük bir no-noos listesi vardır. Genel olarak Bayesci istatistiklerde yer alan metodolojiler için benzer bir no-nos listesi olup olmadığını ve özellikle aşağıdakilerden biri olup olmadığını merak ediyorum.

Kısa süre önce, taktığım bazı modellerde, benim sürecimin önce işe yarayıp yaramadığını görmek için modelin bilgilendirici önceliklerle uyuştuğunu ve daha sonra ya bilgilendirici ya da zayıf bilgilendirici ve modeli takınız.

Bunun için motivasyonum gerçekten bu modelleri JAGS / Stan'de yazıyorum ve aklımda bunu istatistiksel bir görevden çok bir programlama görevi gibi görüyorum. Bu yüzden, ilk çalışmayı yapıyorum, bilgilendirici öncelikler kullanarak hızlı bir şekilde birleşmek için yazıyorum, yazdığım modeldeki hataları yakalamayı kolaylaştırıyor. Daha sonra, modelin hatalarını ayıkladıktan sonra, bilgilendirici veya zayıf bilgilendirici önceliklerle yeniden takarım.

Sorum şu: Bu süreçte bazı ciddi kurallara uyup uymadığım. Örneğin, çıkarımlarımın geçerli olması ve araştırmacıların serbestlik derecelerini kullanmaktan kaçınmak için, herhangi bir modele uymaya başlamadan önce belirli önceliklere bağlı kalmam gerekir mi?


4
Mizahi bir kenara (umarım) burada yazdığım bir şiir . (Evet, o bir ode olmadığını biliyorum)
Peter Flom

@PeterFlom, oh, bu uğursuz.
JoFrhwld

Yanıtlar:


9

Öznel Bayesyalılar aynı fikirde olmayabilirler, fakat benim bakış açımdan, öncekiler olasılık gibi modelin sadece bir parçasıdır. Model davranışına yanıt olarak öncekini değiştirmek, olasılık işlevinizi değiştirmekten daha iyi veya daha kötü değildir (örneğin, farklı hata dağılımlarını veya farklı model formülasyonlarını denemek).

Bir balık avı gezisine çıkmanıza izin verirse tehlikeli olabilir, ancak alternatifler daha kötü olabilir. Örneğin, modelinizin patladığı ve saçma katsayıları aldığınız bahsettiğiniz durumda, o zaman tekrar denemek için fazla seçeneğiniz yoktur.

Ayrıca, bir balıkçılık seferinin tehlikelerini en aza indirmek için atabileceğiniz adımlar vardır:

  • Son analizde hangi önceliği kullanacağınıza önceden karar verme
  • Tüm prosedürünüzle ilgili analizinizi yayınladığınızda veya açıklarken ön tarafta olmak
  • Simüle edilmiş verilerle ve / veya nihai analiz için verileri tutarak mümkün olduğunca çok şey yapmak. Bu şekilde, analizinizi çok fazla kirletmeyeceksiniz.

4

Öncelikleri denerseniz ve eldeki verilerdeki performansları açısından birini seçerseniz, artık "önceki" değildir. Sadece verilere (ampirik Bayes analizinde olduğu gibi) değil, aynı zamanda ne görmek istediğinize de bağlıdır (hangisi daha kötüdür). Sonunda Bayesian araçlarını kullanıyorsunuz, ancak buna Bayes analizi denemez.


1
OP'yi anladığım kadarıyla, bir öncekini kullanmıyor ve sonuçlara bakmıyor ve başka bir öncekinin ona daha iyi sonuçlar vereceğine karar veriyor. Modelinin uygun şekilde kodlandığını görmek için yapay bir kullanıyor, daha sonra analiz için gerçek önceki haline geçiyor. Belki de ilk adımında sentetik veri kullandıysa, daha sonra hem önceki hem de gerçek verilerine ikinci adımda geçtiyse, daha kabul edilebilir olurdu?
Wayne

3

Bu durumda üç nedenden dolayı iyi olduğunu düşünüyorum:

  1. Sonuçlarınıza yanıt olarak önceliklerinizi ayarlamıyorsunuz. "XYZ önceliklerini kullanıyorum ve yakınsama oranına ve DIC sonuçlarıma bağlı olarak, öncekimi ABC ile değiştiriyorum" gibi bir şey söylediyseniz, hayır-hayır yaptığınızı söyleyebilirim, ancak bu durumda Sanki gerçekten bunu yapmıyorsun.

  2. Bayes bağlamında, öncelikler açıktır. Bu nedenle, önceliklerinizi yanlış ayarlamanız mümkündür, ancak ortaya çıkan öncelikler, neden bu belirli önceliklere sahip olduğunuzu sorgulayabilen başkaları tarafından incelenmek üzere her zaman görünür olacaktır. Belki burada naifim, çünkü bir önceki gibi bir şeye bakmak ve "Hmm, makul görünüyor" demek kolaydır, çünkü biri onu teklif ettiğinden, ama ...

  3. Yaptığınız şeyin Gelman'ın (ve diğerlerinin) bir JAGS modelini parça parça oluşturmak, ilk önce sentetik verilerle, ardından gerçek verilerle çalışmak için bir spesifikasyon hatası olmadığından emin olmak için tavsiyesiyle ilgili olduğunu düşünüyorum. . Bu sıkça kullanılan metodolojide bir faktör değildir ve gerçekten deneysel bir metodoloji değildir.

Sonra yine, ben hala bu şeyleri kendim öğreniyorum.

PS Başlangıçta "bilgilendirici öncelikler" ile hızlı bir şekilde yakınsamaya hazırladığınızı söylediğinizde, gerçekte eldeki problemin motive ettiği bilgilendirici öncelikler mi yoksa sadece keyfi nedenlerle posterioru hızlandırmak için posterioru kuvvetle zorlayan / kısıtlayan " "keyfi bir noktaya? İlk durum buysa, neden bu (motive edilmiş) önceliklerden uzaklaşıyorsunuz?


1

Bence bu Bayes okulundan bağımsız bir hayır olabilir. Jeffreys bilgilendirici olmayan öncelikler kullanmak istiyor. Lindley bilgilendirici öncelikler kullanmanızı isteyebilir. Ampirik Bayesliler, verilerin önceliği etkilemesine izin vermenizi isteyeceklerdir. Ama bence her okul öncekinin seçimi konusunda farklı bir öneri yapıyor olsa da, hepsinin bir önceliğe sahip olabileceğiniz ve istediğiniz sonuçları elde edene kadar düzenlemeye devam edebileceğiniz anlamına gelmeyen bir yaklaşımı var. Bu kesinlikle verilere bakmak ve cevabın ne olması gerektiği konusunda önceden düşünülmüş fikrinize ulaşıncaya kadar veri toplamaya ve test etmeye devam etmek gibi bir şey olacaktır.

Frequentist ya da Bayesian kimse veri hileler oynamak (ya da masaj) ile oynamak isteyeceğini sanmıyorum önemli değil. Belki de bu hepimizin hemfikir olduğu bir şeydir ve Peter'ın komik şiiri gerçekten yakındır.


1

Hayır diyebilirim, belirli önceliklere bağlı kalmak zorunda değilsiniz. Genellikle herhangi bir Bayesci veri analizi sırasında, modelin öncekine duyarlılığının bir analizini yapmalısınız. Bu, sonuçlara ne olduğunu görmek için çeşitli diğer öncelikleri denemeyi içerir. Bu, kullanılmadan önce daha iyi veya daha sağlam ortaya çıkabilir.

İki belirgin "hayır-hayır" şunlardır: daha iyi uyum sağlamak için öncekiyle çok fazla oynamak, daha fazla uyum sağlamak ve daha iyi uyum sağlamak için modelin diğer parametrelerini değiştirmek. Birincisine örnek olarak: ortalamadan önce bir ilkin değiştirilmesi, örnek ortalamasına daha yakın olacak şekilde değiştirilmesi. İkincisi: daha iyi uyum sağlamak için regresyondaki açıklayıcı değişkenlerinizi / özelliklerinizi değiştirmek. Bu, regresyonun herhangi bir versiyonunda bir sorundur ve temel olarak özgürlük derecelerinizi geçersiz kılar.


Hassasiyet analizinden bahsetmek için +1. Sonuçlarınızın kullanılan önceliğe ne kadar bağlı olduğunu bilmelisiniz ...
Manoel Galdino
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.