หากคุณใช้วิธีการแบบเบย์และพารามิเตอร์รักษาอธิบายการกระจายของเป็นตัวแปรสุ่ม / เวกเตอร์แล้วสังเกตแน่นอนไม่อิสระ แต่พวกเขาจะเป็นเงื่อนไขที่เป็นอิสระได้รับความรู้เกี่ยวกับθจึงP ( X n | X n - 1 , … X 1 , θ ) = P ( X n ∣ θ )จะถือXθP( Xn∣ Xn - 1, … X1, θ ) = P( Xn∣ θ )
ในวิธีการทางสถิติคลาสสิกคือไม่ได้เป็นตัวแปรสุ่ม การคำนวณเสร็จสิ้นราวกับว่าเรารู้ว่าθคืออะไร ในบางแง่มุมคุณมัก จำกัด อยู่กับθ (แม้ว่าคุณจะไม่ทราบคุณค่า)θθθ
เมื่อคุณเขียนว่า "... ให้ข้อมูลเกี่ยวกับโครงสร้างการกระจายและผลที่ตามมาเกี่ยวกับ " โดยปริยายคุณกำลังใช้แนวทางแบบเบย์ แต่ไม่ได้ทำอย่างแม่นยำ คุณกำลังเขียนคุณสมบัติของตัวอย่าง IID ว่า frequentist จะเขียน แต่คำสั่งที่สอดคล้องกันในการตั้งค่าเบส์จะเกี่ยวข้องกับเครื่องบนθXnθ
เบย์กับนักสถิติคลาสสิก
ให้เป็นผลมาจากการพลิกเหรียญที่ไม่สมดุลและไม่เป็นธรรม เราไม่ทราบความน่าจะเป็นที่เหรียญติดดินxผม
- กับสถิติคลาสสิค frequentist, เป็นพารามิเตอร์บางขอเรียกว่าθ สังเกตว่าθตรงนี้เป็นสเกลาร์เช่นเดียวกับ 1/3 เราอาจไม่ทราบว่าตัวเลขคืออะไร แต่มันเป็นจำนวนหนึ่ง! มันไม่ได้สุ่ม!P( xผม= H)θθ
- สำหรับนักสถิติเบย์นั้นตัวมันเองเป็นตัวแปรสุ่ม! มันแตกต่างกันมาก!θ
ความคิดที่สำคัญที่นี่คือสถิติแบบเบย์ขยายเครื่องมือของความน่าจะเป็นสถานการณ์ที่สถิติคลาสสิกไม่ได้ เพื่อ frequentist ที่ไม่ได้เป็นตัวแปรสุ่มเพราะมันมีค่าที่เป็นไปได้หนึ่ง ! ผลลัพธ์หลายอย่างเป็นไปไม่ได้! ในจินตนาการของเบส์แม้ว่าหลายค่าของθที่เป็นไปได้และเบส์ยินดีที่จะรูปแบบที่มีความไม่แน่นอน (ในใจของเขาเอง) โดยใช้เครื่องมือของความน่าจะเป็นθθ
จะไปที่ไหน
สมมติว่าเราพลิกเหรียญครั้ง การโยนครั้งเดียวไม่ส่งผลต่อผลลัพธ์ของอีกฝ่าย นักสถิติคลาสสิกจะเรียกการโยนอิสระเหล่านี้ (และแน่นอนพวกเขา) เราจะมี:
P ( x n = H ∣ x n - 1 , x n - 2 , … , x 1 ) = P ( x n = H ) = θ
โดยที่θเป็นพารามิเตอร์ที่ไม่รู้จัก (จำไว้ว่าเราไม่รู้ว่ามันคืออะไร แต่มันไม่ใช่ตัวแปรสุ่ม! มันมีจำนวนพอสมควร)n
P( xn= H∣ xn - 1, xn - 2, … , x1) = P( xn= H) = θ
θ
Bayesian ลึกเข้าไปในความน่าจะเป็นอัตนัยจะบอกว่าสิ่งที่สำคัญคือความน่าจะเป็นจากมุมมองของเธอ! . หากเธอเห็น 10 หัวในแถวหัวที่ 11 น่าจะเป็นเพราะ 10 หัวในแถวนำไปสู่การเชื่อว่าเหรียญนั้นไม่สมดุลกับศีรษะ
P( x11= H∣ x10= H, x9= H, … , x1= H) > P( x1= H)
เกิดอะไรขึ้นที่นี่? ต่างกันอย่างไร! การอัพเดทความเชื่อเกี่ยวกับตัวแปรสุ่มแฝง ! หากθถือเป็นตัวแปรสุ่มการโยนจะไม่ขึ้นกับอีกต่อไป แต่พลิกมีความเป็นอิสระตามเงื่อนไขที่กำหนดค่าของθθθθ
P( x11= H∣ x10= H, x9= H, … , x1= H, θ ) = P( x1= H∣ θ ) = θ
θθ
หมายเหตุเพิ่มเติม
ฉันพยายามอย่างดีที่สุดที่จะให้คำแนะนำสั้น ๆ ที่นี่ แต่สิ่งที่ฉันทำไปนั้นดีที่สุดเพียงผิวเผินและแนวความคิดนั้นค่อนข้างลึก หากคุณต้องการดำดิ่งสู่ปรัชญาแห่งความน่าจะเป็นหนังสือ 1954 ของ Savage รากฐานของสถิติเป็นแบบคลาสสิก Google สำหรับ Bayesian vs. บ่อยครั้งและสิ่งต่าง ๆ จะเกิดขึ้น
วิธีการที่จะคิดเกี่ยวกับ IID ดึงก็คือเดอทฤษฎีบท Finetti ของและความคิดของexchangeability ในกรอบ Bayesian ความสามารถในการแลกเปลี่ยนนั้นเทียบเท่ากับความเป็นอิสระของเงื่อนไขในตัวแปรสุ่มบางอย่างที่แฝงอยู่ (ในกรณีนี้คือความไม่สมดุลของเหรียญ)