วิกิพีเดียหน้าเว็บที่คุณให้ไม่ได้จริงๆใช้คำว่า "ความแปรปรวนรักษาเสถียรภาพการเปลี่ยนแปลง" คำว่า "การแปรปรวน - เสถียรภาพการเปลี่ยนแปลง" มักใช้เพื่อระบุการเปลี่ยนแปลงที่ทำให้ความแปรปรวนของตัวแปรสุ่มเป็นค่าคงที่ แม้ว่าในกรณีของ Bernoulli นี่คือสิ่งที่เกิดขึ้นกับการเปลี่ยนแปลงนั่นไม่ใช่เป้าหมายที่แท้จริง เป้าหมายคือการได้รับการกระจายตัวที่สม่ำเสมอและไม่ใช่แค่ความแปรปรวนที่เสถียร
จำได้ว่าหนึ่งในวัตถุประสงค์หลักของการใช้ Jeffreys ก่อนคือมันไม่เปลี่ยนแปลงภายใต้การเปลี่ยนแปลง ซึ่งหมายความว่าหากคุณปรับพารามิเตอร์ตัวแปรอีกครั้งตัวแปรก่อนหน้าจะไม่เปลี่ยนแปลง
1
ฟรีย์ก่อนในกรณี Bernoulli นี้ที่คุณชี้ให้เห็นคือเบต้า )
p γ ( γ ) ∝ 1(1/2,1/2)
pγ(γ)∝1γ(1−γ)−−−−−−−√.
Reparametrizing กับเราสามารถหาการกระจายของθ ก่อนอื่นมาดูกันว่าθ = arcsin ( √)γ=sin2(θ)θและตั้งแต่0<γ<1,0<θ<π/2 จำได้ว่าบาป2(x)+cos2(x)=1
θ=arcsin(γ−−√)0<γ<10<θ<π/2sin2(x)+cos2(x)=1
Fθ(x)fθ(x)=P(θ<x)=P(sin2(θ)<sin2(x))=P(γ<sin2(x))=Fγ(sin2(x))=dFγ(sin2(x)dx=2sin(x)cos(x)pγ(sin2(x))∝sin(x)cos(x)1sin2(x)(1−sin2(x))−−−−−−−−−−−−−−−−√=1.
ดังนั้นθ เป็นชุดการกระจายบน ( 0 , π/ 2). นี่คือเหตุผลที่บาป2( θ )การแปลงถูกนำมาใช้เพื่อให้การแปรสภาพซ้ำนำไปสู่การแจกแจงแบบสม่ำเสมอ ตอนนี้การกระจายเครื่องแบบเป็นไปอย่างอิสระก่อนθ(ตั้งแต่ Jeffreys ก่อนเป็นค่าคงที่ภายใต้การเปลี่ยนแปลง) นี่เป็นการตอบคำถามแรกของคุณ
2
บ่อยครั้งที่การวิเคราะห์แบบเบย์ต้องการรูปแบบที่เหมือนกันเมื่อมีข้อมูลไม่เพียงพอหรือมีความรู้มาก่อนเกี่ยวกับการแจกแจงของพารามิเตอร์ ก่อนหน้านี้เรียกอีกอย่างว่า "ก่อนหน้ากระจาย" หรือ "เริ่มต้นก่อน" แนวคิดคือไม่ยอมรับค่าใด ๆ ในพื้นที่พารามิเตอร์มากกว่าค่าอื่น ๆ ในกรณีเช่นนี้ผู้ที่อยู่หลังขึ้นอยู่กับความน่าจะเป็นของข้อมูล ตั้งแต่,
Q( θ | x ) ∝ f( x | θ ) f( θ ) ∝ f( x | θ )
หากการแปลงเป็นเช่นนั้นพื้นที่ที่ถูกแปลงนั้นจะถูก จำกัด ขอบเขต (เช่น ( 0 , π/ 2)ในตัวอย่างนี้) จากนั้นการกระจายตัวแบบสม่ำเสมอจะเหมาะสม หากพื้นที่ที่ถูกแปลงนั้นไม่ได้ถูก จำกัด ขอบเขตเครื่องแบบก่อนหน้าจะไม่เหมาะสม แต่บ่อยครั้งที่ผลลัพธ์ด้านหลังจะเหมาะสม แม้ว่าหนึ่งควรเสมอตรวจสอบว่าเป็นกรณีนี้