ตัวอย่างก่อนหน้านี้ซึ่งแตกต่างจาก Jeffreys นำไปสู่การหลังที่ไม่คงที่


17

ฉันกำลังโพสต์ข้อความ "คำตอบ" สำหรับคำถามที่ฉันให้ไว้เมื่อสองสัปดาห์ก่อนที่นี่: ทำไม Jeffreys จึงมีประโยชน์มาก่อน มันเป็นคำถามจริงๆ (และฉันไม่มีสิทธิ์ในการโพสต์ความคิดเห็นในเวลานั้น) อย่างไรก็ตามดังนั้นฉันหวังว่าจะเป็นเช่นนั้น:

ในลิงก์ด้านบนมีการกล่าวถึงคุณสมบัติที่น่าสนใจของ Jeffreys ก่อนคือเมื่อทำการวิเคราะห์รูปแบบซ้ำการกระจายหลังทำให้เกิดความน่าจะเป็นหลังซึ่งเป็นไปตามข้อ จำกัด ที่กำหนดโดยการเปลี่ยนแปลง กล่าวว่าตามที่กล่าวไว้ที่นั่นเมื่อย้ายจากความสำเร็จที่น่าจะเป็นθในตัวอย่าง Beta-Bernoulli อัตราต่อรองψ=θ/(1θ)ก็ควรจะเป็นกรณีที่มีความพึงพอใจหลังP(1/3θ2/3X=x)=P(1/2ψ2X=x) )

ฉันอยากจะสร้างตัวอย่างที่ตัวเลขของการแปรเปลี่ยนของฟรีย์ก่อนสำหรับการเปลี่ยนθอัตราต่อรองψและอื่น ๆ อีกมากมายที่น่าสนใจขาดมันของไพรเออร์อื่น ๆ (พูด, Haldane เครื่องแบบหรือคนโดยพล)

ตอนนี้ถ้าหลังสำหรับความน่าจะเป็นความสำเร็จคือเบต้า (Beta สำหรับการใด ๆ ก่อนฟรีย์ไม่ได้เท่านั้น) หลังของราคาดังต่อไปนี้การกระจายเบต้าของประเภทที่สอง (ดูวิกิพีเดีย) กับพารามิเตอร์เดียวกัน จากนั้นดังที่ไฮไลต์ในตัวอย่างตัวเลขด้านล่างมันไม่น่าแปลกใจเกินไป (สำหรับฉันอย่างน้อย) ที่มีค่าคงที่สำหรับตัวเลือกเบต้าใด ๆ ก่อนหน้านี้ (เล่นรอบ ๆ ด้วยalpha0_Uและbeta0_U) ไม่ใช่แค่ Jeffreys, cf ผลลัพธ์ของโปรแกรม

library(GB2) 
# has the Beta density of the 2nd kind, the distribution of theta/(1-theta) if theta~Beta(alpha,beta)

theta_1 = 2/3 # a numerical example as in the above post
theta_2 = 1/3

odds_1 = theta_1/(1-theta_1) # the corresponding odds
odds_2 = theta_2/(1-theta_2)

n = 10 # some data
k = 4

alpha0_J = 1/2 # Jeffreys prior for the Beta-Bernoulli case
beta0_J = 1/2
alpha1_J = alpha0_J + k # the corresponding parameters of the posterior
beta1_J = beta0_J + n - k

alpha0_U = 0 # some other prior
beta0_U = 0
alpha1_U = alpha0_U + k # resulting posterior parameters for the other prior
beta1_U = beta0_U + n - k

# posterior probability that theta is between theta_1 and theta_2:
pbeta(theta_1,alpha1_J,beta1_J) - pbeta(theta_2,alpha1_J,beta1_J) 
# the same for the corresponding odds, based on the beta distribution of the second kind
pgb2(odds_1, 1, 1,alpha1_J,beta1_J) - pgb2(odds_2, 1, 1,alpha1_J,beta1_J) 

# same for the other prior and resulting posterior
pbeta(theta_1,alpha1_U,beta1_U) - pbeta(theta_2,alpha1_U,beta1_U)
pgb2(odds_1, 1, 1,alpha1_U,beta1_U) - pgb2(odds_2, 1, 1,alpha1_U,beta1_U)

นี่นำฉันมาที่คำถามต่อไปนี้:

  1. ฉันทำผิดพลาดหรือไม่?
  2. ถ้าไม่มีผลลัพธ์เช่นเดียวกับการไม่มีความไม่แปรเปลี่ยนในครอบครัวคอนจูเกตหรืออะไรแบบนั้น? (การตรวจสอบอย่างรวดเร็วทำให้ฉันสงสัยว่าฉันสามารถทำได้เช่นกันไม่ทำให้เกิดความไม่แปรเปลี่ยนในกรณีปกติ)
  3. คุณรู้ (ง่ายกว่า) ตัวอย่างเช่นในการที่เราทำจะได้รับการขาดการแปรเปลี่ยน?

1
คุณไม่จำเป็นต้องใช้รหัส R (ซึ่งฉันไม่สามารถรันด้วย R เวอร์ชั่น 3.0.2) เพื่อตรวจสอบความไม่แปรเปลี่ยนได้เนื่องจากเป็นคุณสมบัติของโอกาส สิ่งที่มีความหมายโดยค่า invariance ก่อนคือการสร้างกฎสำหรับการเลือกก่อนที่ไม่ได้ขึ้นอยู่กับการเลือกการตั้งค่าแบบจำลองตัวอย่าง
ซีอาน

1
ฉันขอโทษสำหรับความไม่สะดวก. มันทำงานด้วย R 3.1.2 บนคอมพิวเตอร์ของฉัน หากฉันอาจติดตามความคิดเห็นของคุณแสดงนัยว่าฉันเข้าใจผิดความคิดเห็นของ Zen ในคำตอบที่ยอมรับข้อ 1 ของ Stephane Laurent บนเหตุใด Jeffreys จึงเป็นประโยชน์ก่อนหน้านี้หรือไม่ ?
Christoph Hanck

คำตอบ:


19

การคำนวณของคุณน่าจะตรวจสอบว่าเมื่อเรามีโดยเฉพาะอย่างยิ่งการจัดจำหน่ายก่อนดังต่อไปนี้ขั้นตอนที่สองp(θ)

  1. คำนวณหลังpθD(θD)
  2. แปลงหลังข้างต้นให้เป็น parametrization อื่น ๆ เพื่อให้ได้pψD(ψD)

และ

  1. แปลงก่อนเข้ามาและตัวแปรอื่น ๆ ที่จะได้รับหน้าψ ( ψ )pθ(θ)pψ(ψ)
  2. ใช้ก่อน , คำนวณหลังพีψ | D ( ψ | D )pψ(ψ)pψD(ψD)

นำไปสู่การหลังเหมือนกันสำหรับψสิ่งนี้จะเกิดขึ้นเสมอ (ข้อแม้; ตราบใดที่การแปลงเป็นเช่นนั้นการแจกแจงส่วนเกินψถูกกำหนดโดยการแจกแจงส่วนเกินθ )ψψθ

อย่างไรก็ตามนี่ไม่ใช่จุดแปรปรวนที่เป็นปัญหา แต่คำถามคือเมื่อเรามีวิธีการเฉพาะสำหรับการตัดสินใจก่อนหน้านี้สองขั้นตอนต่อไปนี้:

  1. ใช้วิธีการตัดสินใจก่อนตัดสินใจpθ(θ)
  2. แปลงการแจกแจงนั้นเป็นpψ(ψ)

และ

  1. ใช้วิธีการตัดสินใจก่อนตัดสินใจpψ(ψ)

ψ

θ[0,1]ψ[0,)

θψψโดยตรง นี่คือค่าคงที่ที่อ้างสิทธิ์


1

ดูเหมือนว่าคุณกำลังตรวจสอบความน่าจะเป็นของข้อมูลที่ไม่ได้รับผลกระทบจาก parametrization ซึ่งไม่มีส่วนเกี่ยวข้องกับเรื่องก่อนหน้านี้

หากวิธีการเลือกนักบวชของคุณเช่น "เลือกชุดก่อน" สิ่งที่เป็นชุดภายใต้หนึ่ง parametrization (พูดเบต้าคือเบต้า (1,1)) ไม่เหมือนกันภายใต้อีกพูดเบต้า (1,1) ) (ซึ่งเบ้) - เป็น BetaPrime (1, -1) เป็นชุดเดียวกันหากมีสิ่งนั้นอยู่

Jeffreys ก่อนเป็นวิธีเดียวที่จะเลือกนักบวชที่ไม่เปลี่ยนแปลงภายใต้ reparametrization ดังนั้นมันจึงน้อยกว่าวิธีอื่นในการเลือกนักบวช


ฉันไม่คิดว่า Jeffreys ก่อนเป็นค่าคงที่เท่านั้นก่อน เมื่อพวกเขาแตกต่างกันมาตรการด้านซ้ายและด้านขวาของฮาร์ล้วนแล้วแต่ไม่เปลี่ยนแปลง
ซีอาน

@ Neil G, ฉันไม่แน่ใจว่าฉันสามารถทำตามเหตุผลของคุณว่าฉันแค่ดูที่โอกาส เมื่อเสียบ (เช่น) alpha1_Jเข้าpbetaและpgb2พารามิเตอร์นี้จะถูกกำหนดโดยทั้งพารามิเตอร์ก่อน ( alpha1_J) และข้อมูล ( k) เช่นเดียวกันสำหรับทุกพารามิเตอร์อื่น ๆ
Christoph Hanck

1
(+1) คุณหวังว่าการแสดงความคิดเห็นของนักบวชแบบอัตนัยก็จะเป็นสิ่งที่ไม่แปรเปลี่ยน
Scortchi - Reinstate Monica

1
@ เซน: ใช่แน่นอนฉันรีบร้อนเกินไป: การวัดฮาร์เป็นตัวอย่างที่ไม่ถูกต้อง แต่ถึงกระนั้นฉันสงสัยว่าทำไม Jeffreys 'เป็นค่าคงที่เพียงก่อนหน้านี้ ...
ซีอาน

2
@ ซีอาน: ถ้าความทรงจำของฉันไม่ได้ล้มเหลวฉันมีทฤษฎีบทในหนังสือ Cencov ( amazon.com/… ) ซึ่งในแง่หนึ่ง (?) พิสูจน์ว่า Jeffreys ก่อนหน้านี้เป็นคนเดียวในเมืองที่มี ความแปรปรวนที่จำเป็น หลักฐานของเขาไม่สามารถเข้าถึงฉันได้ มันใช้ภาษาของทฤษฎีหมวดหมู่ฟังก์ชั่น morphisms และทั้งหมดนั้น en.wikipedia.org/wiki/Category_theory
Zen
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.