ฉันเห็นด้วยกับคำตอบที่ยอดเยี่ยมโดยซีอานชี้ให้เห็นว่าไม่มีสิ่งใดมาก่อนที่จะเป็น "ไม่รู้แจ้ง" ในแง่ของการไม่มีข้อมูล เพื่อขยายในหัวข้อนี้ฉันต้องการชี้ให้เห็นว่าทางเลือกหนึ่งคือการวิเคราะห์ Bayesian ภายใต้กรอบความน่าจะเป็นที่ไม่แน่นอน (ดู esp. Walley 1991 , Walley 2000 ) ภายในกรอบความเชื่อนี้ความเชื่อก่อนหน้านี้แสดงโดยชุดการแจกแจงความน่าจะเป็นn→∞
กรอบการวิเคราะห์นี้ได้รับการ axiomatised โดย Walley เป็นรูปแบบพิเศษของตัวเองของการวิเคราะห์ความน่าจะเป็น แต่เป็นหลักเทียบเท่ากับการวิเคราะห์ Bayesian ที่แข็งแกร่งโดยใช้ชุดของนักบวชยอมให้ชุดโปสเตอร์ที่สอดคล้องกัน ในหลาย ๆ แบบมันเป็นไปได้ที่จะตั้งค่า "uninformative" ชุดของนักบวชที่อนุญาตให้บางช่วงเวลา (เช่นค่าเฉลี่ยก่อนหน้า) จะแตกต่างกันไปตามช่วงค่าที่เป็นไปได้ทั้งหมดและอย่างไรก็ตามผลลัพธ์นี้สร้างผลลัพธ์หลัง แน่นขึ้น การวิเคราะห์รูปแบบนี้มีเนื้อหาที่ดีกว่าที่เรียกว่า "uninformative" อย่างน้อยก็ด้วยความเคารพต่อช่วงเวลาที่สามารถเปลี่ยนแปลงได้ในช่วงที่อนุญาตทั้งหมด
X1,...,Xn|θ∼IID Bern(θ)θμκ>1
π0(θ|μ,κ)=Beta(θ|μ,κ)=Beta(θ∣∣α=μ(κ−1),β=(1−μ)(κ−1)).
E(θ)=μV(θ)=μ(1−μ)/κ
P0≡{Beta(μ,κ)∣∣0⩽μ⩽1}.
สมมติว่าเราสังเกตตัวชี้วัดเชิงบวกในข้อมูล จากนั้นใช้กฎการอัปเดตสำหรับรุ่น Bernoulli-beta ชุดหลังที่สอดคล้องกันคือ:s=∑ni=1xi
Px={Beta(s+μ(κ−1)n+κ−1,n+κ)∣∣0⩽μ⩽1}.
ช่วงของค่าที่เป็นไปได้สำหรับการคาดหวังด้านหลังคือ:
sn+κ−1⩽E(θ|x)⩽s+κ−1n+κ−1.
สิ่งสำคัญคือที่นี่แม้ว่าเราเริ่มต้นด้วยแบบจำลองที่เป็น "uninformative" เกี่ยวกับค่าที่คาดหวังของพารามิเตอร์ (ความคาดหวังก่อนหน้าอยู่ในช่วงค่าที่เป็นไปได้ทั้งหมด) แต่เราก็จบลงด้วยการอนุมานหลังที่ให้ข้อมูลด้วยความเคารพ ถึงความคาดหวังหลังของพารามิเตอร์ (ตอนนี้พวกมันมีค่ามากกว่าค่าที่แคบกว่า) ในฐานะที่เป็นช่วงของค่านี้ถูกบีบลงไปที่จุดเดียวซึ่งเป็นมูลค่าที่แท้จริงของ\n→∞θ