ตัวประมาณที่ลดผลรวมถ่วงน้ำหนักของอคติกำลังสองและความแปรปรวนเข้ากับทฤษฎีการตัดสินใจได้อย่างไร


10

ตกลง - ข้อความต้นฉบับของฉันไม่สามารถตอบสนองได้ ขอผมใส่คำถามที่ต่างออกไป ฉันจะเริ่มต้นด้วยการอธิบายความเข้าใจของฉันเกี่ยวกับการประเมินจากมุมมองทางทฤษฎีการตัดสินใจ ฉันไม่มีการฝึกฝนอย่างเป็นทางการและจะไม่ทำให้ฉันประหลาดใจถ้าความคิดของฉันมีข้อบกพร่อง

สมมติว่าเรามีบางฟังก์ชั่นการสูญเสีย(x)) การสูญเสียที่คาดหวังคือความเสี่ยง (บ่อยครั้ง):L(θ,θ^(x))

R(θ,θ^(x))=L(θ,θ^(x))L(θ,θ^(x))dx,

โดยที่คือความเป็นไปได้; และความเสี่ยงของ Bayes คือความเสี่ยงที่พบบ่อย:L(θ,θ^(x))

r(θ,θ^(x))=R(θ,θ^(x))π(θ)dxdθ,

โดยที่เป็นของเราก่อนหน้าπ(θ)

โดยทั่วไปแล้วเราพบที่ย่อและสิ่งนี้ได้ผลดี; ยิ่งกว่านั้นทฤษฎีบทของ Fubini ก็นำมาใช้และเราสามารถกลับลำดับการรวมเพื่อให้ใด ๆที่ย่อเป็นอิสระจากคนอื่นทั้งหมด วิธีนี้หลักการความน่าจะเป็นไม่ได้ถูกละเมิดและเราสามารถรู้สึกดีเกี่ยวกับการเป็นแบบเบย์เป็นต้นθ^(x)rθ^(x)r

ตัวอย่างเช่นเนื่องจากการสูญเสียข้อผิดพลาดกำลังสองที่คุ้นเคยความเสี่ยงของเราที่พบบ่อยคือความคลาดเคลื่อนกำลังสองเฉลี่ยหรือผลรวม ความเอนเอียงและความแปรปรวนและความเสี่ยงของเบย์คือผลรวมที่คาดหวังของความอคติกำลังสองและความแปรปรวนตามที่เราคาดไว้ก่อนหน้านั่นคือการสูญเสียด้านหลังL(θ,θ^(x))=(θθ^(x))2,

นี่ดูเหมือนจะสมเหตุสมผลสำหรับฉัน (แม้ว่าฉันอาจจะผิดมาก); แต่ไม่ว่าในกรณีใดสิ่งต่าง ๆ ทำให้ฉันรู้สึกไม่ถึงวัตถุประสงค์อื่น ๆ ตัวอย่างเช่นสมมติว่าแทนที่จะลดผลรวมของอคติและความแปรปรวนที่ถ่วงน้ำหนักเท่า ๆ กันฉันต้องการลดผลรวมน้ำหนักที่ไม่เท่ากันนั่นคือฉันต้องการที่ย่อเล็กสุด:θ^(x)

(E[θ^(x)]θ)2+kE[(θ^(x)E[θ^(x)])2],

โดยที่คือค่าคงที่จริงที่เป็นบวก (นอกเหนือจาก 1)k

ฉันมักจะอ้างถึงผลรวมเช่นนี้เป็น "ฟังก์ชันวัตถุประสงค์" แม้ว่ามันอาจเป็นไปได้ว่าฉันกำลังใช้คำนั้นอย่างไม่ถูกต้อง คำถามของฉันไม่เกี่ยวกับวิธีค้นหาวิธีแก้ปัญหา - การค้นหาที่ลดฟังก์ชันวัตถุประสงค์นี้ให้ทำได้เป็นตัวเลข - แต่คำถามของฉันคือสองเท่า:θ^(x)

  1. ฟังก์ชันวัตถุประสงค์ดังกล่าวเหมาะสมกับกระบวนทัศน์ทฤษฎีการตัดสินใจหรือไม่? ถ้าไม่มีกรอบอื่นที่มันเหมาะสมหรือไม่ ถ้าใช่เป็นเช่นนั้น? ดูเหมือนว่าฟังก์ชันการสูญเสียที่เกี่ยวข้องจะเป็นฟังก์ชันของ ,และซึ่ง - เพราะความคาดหวัง - คือ ( ฉันคิดว่า) ไม่เหมาะสมθθ^(x)E[θ^(x)]

  2. ฟังก์ชั่นวัตถุประสงค์ดังกล่าวละเมิดหลักการความน่าจะเป็นเพราะมีการประมาณขึ้นอยู่กับการประมาณการอื่น ๆ ทั้งหมดของ (แม้แต่สมมุติฐาน) อย่างไรก็ตามมีบางครั้งที่การซื้อขายเพิ่มความแปรปรวนข้อผิดพลาดเพื่อลดอคติ เมื่อได้รับเป้าหมายดังกล่าวจะมีวิธีคิดแนวปัญหาที่สอดคล้องกับหลักการความน่าจะเป็นหรือไม่?θ^(xj)θ^(xij)

ฉันสมมติว่าฉันไม่เข้าใจแนวคิดพื้นฐานบางประการเกี่ยวกับทฤษฎีการตัดสินใจ / การประมาณค่า / การเพิ่มประสิทธิภาพ ขอบคุณล่วงหน้าสำหรับคำตอบใด ๆ และโปรดสมมติว่าฉันไม่รู้อะไรเลยเนื่องจากฉันไม่มีการฝึกอบรมในเรื่องนี้หรือคณิตศาสตร์มากกว่าปกติ นอกจากนี้การอ้างอิงที่แนะนำใด ๆ (สำหรับผู้อ่านไร้เดียงสา) จะได้รับการชื่นชม

คำตอบ:


2

นี่เป็นคำถามที่น่าสนใจและแปลกใหม่! ในระดับอย่างเป็นทางการโดยใช้ฟังก์ชั่นความเสี่ยง หมายถึงการใช้ (ตัวอย่าง) ฟังก์ชันการสูญเสียที่กำหนดเป็น ตั้งแต่ ไม่มีเหตุผลใดที่ห้ามความคาดหวังเช่นเพื่อให้ปรากฏในฟังก์ชันการสูญเสีย พวกเขาขึ้นอยู่กับการกระจายทั้งหมดของเป็นคุณลักษณะที่อาจดูแปลก แต่การกระจายทั้งหมดถูกตั้งค่าเป็นฟังก์ชั่นของ และการสูญเสียที่เกิดขึ้นจึงเป็นหน้าที่ของ

(Eθ[θ^(X)]θ)2+kEθ[(θ^(X)E[θ^(X)])2],
L(θ,θ^)=(Eθ[θ^(X)]θ)2+k(θ^Eθ[θ^(X)])2
Eθ[θ^(X)]θ^(X)θθ ,และการกระจายของ(X)θ^θ^(X)

ฉันสามารถคาดการณ์การคัดค้านอย่างสมบูรณ์ว่าฟังก์ชั่นการสูญเสียอยู่บนหลักการของฟังก์ชั่นของสภาวะธรรมชาติและการกระทำเกิดขึ้นเช่นในพื้นที่พารามิเตอร์ดังนั้นจึงไม่เกี่ยวข้องกับข้อสันนิษฐานการกระจายใด ๆ ซึ่งถูกต้องจากมุมมองทฤษฎีเกม แต่เนื่องจากนี่คือทฤษฎีการตัดสินใจเชิงสถิติที่การตัดสินใจจะขึ้นอยู่กับการสังเกตของตัวแปรสุ่มฉันไม่เห็นเหตุผลว่าทำไมลักษณะทั่วไปที่ฟังก์ชันการสูญเสียขึ้นอยู่กับการกระจายตัวของโดยดัชนีโดยL(θ,δ)θδΘδxXXθไม่สามารถพิจารณาได้ การที่มันอาจเป็นการละเมิดหลักการความน่าจะเป็นนั้นไม่ได้เกี่ยวข้องโดยตรงกับทฤษฎีการตัดสินใจและไม่ได้ป้องกันการได้มาของตัวประมาณค่าแบบเบย์อย่างเป็นทางการ

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.