เมื่อดำเนินการอนุมานแบบเบย์เราดำเนินการโดยเพิ่มฟังก์ชั่นโอกาสของเราให้มากที่สุดเมื่อใช้ร่วมกับนักบวชที่เรามีเกี่ยวกับพารามิเตอร์
นี่ไม่ใช่สิ่งที่ผู้ปฏิบัติงานส่วนใหญ่คิดว่าเป็นการอนุมานแบบเบย์ เป็นไปได้ที่จะประมาณค่าพารามิเตอร์ด้วยวิธีนี้ แต่ฉันจะไม่เรียกมันว่าการอนุมานแบบเบย์
การอนุมานแบบเบย์ใช้การแจกแจงหลังเพื่อคำนวณความน่าจะเป็นหลัง (หรืออัตราส่วนความน่าจะเป็น) สำหรับการแข่งขันของสมมติฐาน
การกระจายหลังสามารถประมาณสังเกตุโดยเทคนิค Monte Carlo หรือ Markov-Chain Monte Carlo (MCMC) เทคนิค
การแยกความแตกต่างเหล่านี้ออกจากกันคำถาม
นักปราชญ์ชาวเบย์กลายเป็นคนไม่เกี่ยวข้องกับกลุ่มตัวอย่างขนาดใหญ่หรือไม่?
ยังขึ้นอยู่กับบริบทของปัญหาและสิ่งที่คุณสนใจ
หากสิ่งที่คุณดูแลเกี่ยวกับการคาดการณ์รับตัวอย่างแล้วมีขนาดใหญ่มากแล้วคำตอบคือโดยทั่วไปใช่ไพรเออร์ที่มีasymptoticallyไม่เกี่ยวข้อง * อย่างไรก็ตามหากสิ่งที่คุณสนใจคือการเลือกรูปแบบและการทดสอบสมมติฐานแบบเบย์ดังนั้นคำตอบคือไม่นักบวชมีความสำคัญมากและผลของมันจะไม่ลดลงเมื่อขนาดตัวอย่าง
* ที่นี่ฉันสมมติว่านักบวชจะไม่ถูกตัดทอน / ตรวจสอบเกินพื้นที่พารามิเตอร์ที่บ่งบอกถึงความเป็นไปได้และพวกเขาไม่ได้ระบุอย่างไม่ดีเพื่อทำให้เกิดปัญหาการลู่เข้าใกล้ศูนย์ความหนาแน่นในภูมิภาคสำคัญ การโต้เถียงของฉันยังเป็นแบบซีมโทติคซึ่งมาพร้อมกับคำเตือนทั่วไปทั้งหมด
ทำนายความหนาแน่น
dยังไม่มีข้อความ= ( d1, d2, . . . , dยังไม่มีข้อความ)dผมฉ( dยังไม่มีข้อความ∣ θ )θ
π0(θ ∣ λ1)π0( θ ∣ λ2)λ1≠ λ2
πยังไม่มีข้อความ( θ ∣ dยังไม่มีข้อความ, λJ) ∝ f( dยังไม่มีข้อความ∣ θ ) π0( θ ∣ λJ)ฉo รj = 1 , 2
θ* * * *θJยังไม่มีข้อความ∼ πยังไม่มีข้อความ( θ ∣ dยังไม่มีข้อความ, λJ)θ^ยังไม่มีข้อความ= สูงสุดθ{ f( dยังไม่มีข้อความ∣ θ ) }θ1ยังไม่มีข้อความθ2ยังไม่มีข้อความθ^ยังไม่มีข้อความθ* * * *ε > 0
Limยังไม่มีข้อความ→ ∞Pr ( | θJยังไม่มีข้อความ- θ* * * *| ≥ε)Limยังไม่มีข้อความ→ ∞Pr ( | θ^ยังไม่มีข้อความ- θ* * * *| ≥ε)= 0∀ j ∈ { 1 , 2 }= 0
θJยังไม่มีข้อความ= สูงสุดθ{ πยังไม่มีข้อความ( θ ∣ dยังไม่มีข้อความ, λJ) }
ฉ( d~∣ dยังไม่มีข้อความ, λJ) = ∫Θฉ( d~∣ θ , λJ, dยังไม่มีข้อความ) πยังไม่มีข้อความ( θ ∣ λJ, dยังไม่มีข้อความ) dθฉ( d~∣ dยังไม่มีข้อความ, θJยังไม่มีข้อความ)ฉ( d~|dยังไม่มีข้อความ,θ* * * *)
การเลือกรูปแบบและการทดสอบสมมติฐาน
หากมีใครสนใจในการเลือกแบบจำลองแบบเบย์และการทดสอบสมมติฐานพวกเขาควรทราบว่าผลของการทดสอบก่อนหน้านี้จะไม่หายไปแบบไม่แสดงอาการ
ฉ( dยังไม่มีข้อความ∣ m o d e l )
Kยังไม่มีข้อความ= f( dยังไม่มีข้อความ∣ m o d e l1)ฉ( dยังไม่มีข้อความ∣ m o d e l2)
Pr ( m o d e lJ∣ dยังไม่มีข้อความ) = f( dยังไม่มีข้อความ∣ m o d e lJ) Pr ( m o d e lJ)ΣLl = 1ฉ( dยังไม่มีข้อความ∣ m o d e lล.) Pr ( m o d e lล.)
ฉ( dยังไม่มีข้อความ∣ λJ) = ∫Θฉ( dยังไม่มีข้อความ∣ θ , λJ) π0( θ ∣ λJ) dθ
ฉ( dยังไม่มีข้อความ∣ λJ) = ∏n = 0ยังไม่มีข้อความ- 1ฉ( dn + 1∣ dn, λJ)
ฉ( dยังไม่มีข้อความ+ 1∣ dยังไม่มีข้อความ, λJ)ฉ( dยังไม่มีข้อความ+ 1∣ dยังไม่มีข้อความ, θ* * * *)ฉ( dยังไม่มีข้อความ∣ λ1)ฉ( dยังไม่มีข้อความ∣ θ* * * *)ฉ( dยังไม่มีข้อความ∣ λ2)ฉ( dยังไม่มีข้อความ∣ λ1)ฉ( dยังไม่มีข้อความ∣ λ2)/→พี1
ชั่วโมง( dยังไม่มีข้อความ| M) = ∫Θชั่วโมง( dยังไม่มีข้อความ∣ θ , M) π0( θ ∣ M) dθฉ( dยังไม่มีข้อความ∣ λ1)ชั่วโมง( dยังไม่มีข้อความ| M)≠ f( dยังไม่มีข้อความ∣ λ2)ชั่วโมง( dยังไม่มีข้อความ| M)