Jeffrey’in önceliğinin yeniden parametreleştirme altında değişmez olduğunu biliyorum. Ancak anlamadığım şey, bu özelliğin neden istendiği.
Değişkenlerin değişimi altında neden önceliğin değişmesini istemiyorsunuz?
Jeffrey’in önceliğinin yeniden parametreleştirme altında değişmez olduğunu biliyorum. Ancak anlamadığım şey, bu özelliğin neden istendiği.
Değişkenlerin değişimi altında neden önceliğin değişmesini istemiyorsunuz?
Yanıtlar:
Zen'in cevabını tamamlayayım. "Cehaleti temsil etme" kavramını pek sevmiyorum. Önemli olan, Jeffrey’lerin önceki değil, Jeffrey’lerin arkadakileri . Bu posterior, verilerin getirdiği parametreler hakkındaki bilgileri olabildiğince iyi yansıtmayı amaçlamaktadır. Değişmezlik özelliği, aşağıdaki iki nokta için doğal olarak gereklidir. Örneğin bilinmeyen oran parametresi ve odds parametresi olan binom modelini göz önünde bulundurun .ψ = θ
Jeffrey'lerin posteri verilerden elde edilen hakkındaki bilgileri en iyi şekilde yansıtır . ve arasında bire bir yazışma var . Ardından, Jeffrey'lerin posterini dönüştürmek (normal değişken değişimleri formülü aracılığıyla) hakkındaki bilgileri en iyi şekilde yansıtan bir dağılım vermelidir . Bu nedenle bu dağılım, Jeffrey’lerin hakkındaki posterioru olmalıdır . Bu değişmezlik özelliği.
İstatistiksel bir analizin sonucunu çıkarırken önemli bir nokta bilimsel iletişimdir . Jeffrey’lerin posterini bilimsel bir meslektaşınıza verdiğinizi hayal edin . Ancak yerine ile ilgileniyor . Öyleyse bu değişmezlik özelliği ile ilgili bir sorun değildir: Değişken değişim formülünü uygulamalıdır.
Siz ve bir arkadaşınızın aynı veri kümesini normal bir model kullanarak analiz ettiğini varsayalım. Ortalama ve varyansı parametre olarak kullanarak normal modelin olağan parametreleştirmesini benimsersiniz, ancak arkadaşınız normal modeli değişkenlik katsayısı ve parametreler olarak hassasiyetle (mükemmel bir şekilde "yasal" olan) parametreleştirmeyi tercih eder. Her ikiniz de Jeffrey’in önceliklerini kullanıyorsanız, posterior dağılımınız arkadaşınızın posterior dağılımı, parametrelemesinden sizinkine uygun bir şekilde dönüştürülür. Bu anlamda Jeffrey’lerin önceliğinin “değişmez” olduğu söylenebilir.
(Bu arada, "değişmez" korkunç bir kelimedir; gerçekte demek istediğimiz, aynı tensör hesabı / diferansiyel geometrisi anlamında "kovaryant" olmasıdır, ancak elbette, bu terimin zaten çok iyi kurulmuş bir olasılıksal anlamı vardır. bu yüzden kullanamayız.)
Bu tutarlılık özelliği neden isteniyor? Çünkü eğer Jeffreys 'in önceliği parametrelerin değeri hakkındaki cehaleti mutlak anlamda temsil etme şansına sahipse (aslında, değil, ama "değişmezlik" ile ilgili olmayan diğer nedenler için) ve göreceli olarak belirli bir parametreleştirme Modelde, hangi parametrelere keyfi bir şekilde başlamayı tercih edersek seçelim, afişlerimizin dönüşümden sonra "eşleşmesi" gerektiği durumda olmalıdır.
Jeffrey, önceliklerini inşa ederken bu "değişmezlik" özelliğini düzenli olarak ihlal etti.
Bu yazının , bu ve ilgili konular hakkında bazı ilginç tartışmaları var.
Zen'in büyük cevabına bazı alıntılar eklemek için: Jaynes'e göre, Jeffrey'lerin öncüsü kayıtsızlık ilkesinden kaynaklanan dönüşüm gruplarının ilkesine bir örnektir:
İlkenin özü sadece: (1) bir olasılık atamasının belirli bir devlet bilgisini tanımlamanın bir aracı olduğunu kabul ediyoruz. Mevcut kanıtlar bize önerme düşünün için hiçbir neden verirse (2) fazla veya daha az olasılıkla : sonra tek dürüst yönlü biz bilginin devlet onlara eşit olasılıkları değerlendirmeye olduğunu tarif edebilir . Diğer herhangi bir prosedür, etiketlerin yalnızca değişmesiyle, bilgi durumumuzun aynı olduğu ancak farklı olasılıklar verdiğimiz yeni bir problem yaratabileceğimiz anlamıyla tutarsız olacaktır .
Şimdi sorunuzu cevaplamak için: “Neden bir değişken değişikliği altında değişiklik yapmayı istemezsiniz?”
Jaynes'e göre, parametreleştirme başka türden bir keyfi etikettir ve birincisi “etiketlerin yalnızca değişmesiyle, bilgi durumumuzun aynı olduğu ancak farklı olasılıklar verdiğimiz yeni bir problem ortaya çıkarabilir. ”
Çoğu zaman ilgi çekici olmakla birlikte, yalnızca diğer önceleri ölçmek için önceden bir referans oluşturmak için, Jeffreys öncelikleri, örneğin yanlış posteriorlara yol açtıklarında olduğu gibi tamamen işe yaramaz olabilir: bu, örneğin basit iki bileşenli Gauss karışımı tüm parametreleri bilinmiyor. Bu durumda, kaç gözlem bulunup bulunmadığına bakılmaksızın önceki Jeffreys posteri mevcut değildir. (İspat Clara Grazian ile birlikte yazdığım son bir makalede mevcuttur .)
Jeffreys önceki işe yaramaz . Bunun nedeni ise:
Sadece kullanmayın.