MichaelและFraijoแนะนำว่าเพียงแค่ตรวจสอบว่าค่าพารามิเตอร์ที่สนใจนั้นมีอยู่ในภูมิภาคที่น่าเชื่อถือหรือไม่นั้นคือค่าเบเซียนเทียบเท่ากับการเปลี่ยนช่วงความเชื่อมั่น ฉันค่อนข้างสงสัยเกี่ยวกับเรื่องนี้ในตอนแรกเนื่องจากมันไม่ชัดเจนสำหรับฉันว่ากระบวนการนี้ส่งผลให้มีการทดสอบแบบเบย์ (ตามปกติ)
ตามที่ปรากฎมันทำ - อย่างน้อยถ้าคุณยินดีรับฟังก์ชั่นการสูญเสียบางประเภท ขอบคุณZenที่ให้การอ้างอิงไปยังเอกสารสองฉบับที่สร้างการเชื่อมต่อระหว่างภูมิภาค HPD และการทดสอบสมมติฐาน:
ฉันจะพยายามสรุปพวกเขาที่นี่เพื่อใช้อ้างอิงในอนาคต ในอะนาล็อกกับตัวอย่างในคำถามเดิมฉันจะปฏิบัติต่อกรณีพิเศษที่สมมติฐานคือที่คือพื้นที่พารามิเตอร์Θ
H0: θ ∈ Θ0= { θ0}และH1: θ ∈ Θ1= Θ ∖ Θ0,
Θ
Pereira & สเติร์นนำเสนอวิธีการในการทดสอบสมมติฐานกล่าวโดยไม่ต้องใส่ความน่าจะเป็นก่อนในและΘ 1Θ0Θ1 \
ปล่อยแสดงถึงความหนาแน่นของฟังก์ชั่นและกำหนดθ T ( x ) = { θ : π ( θ | x ) > π ( θ 0 | x ) }π( ⋅ )θ
T( x ) = { θ : π( θ | x ) > π( θ0|x)}.
ซึ่งหมายความว่าเป็นภูมิภาคที่ HPDมีความน่าเชื่อถือx)T( x )P( θ ∈ T( x ) | x )
การทดสอบ Pereira-Stern ปฏิเสธเมื่อคือ "เล็ก" ( , พูด) สำหรับด้านหลังรูปแบบเดียวนั่นหมายความว่าอยู่ในส่วนท้ายของส่วนหลังทำให้มาตรฐานนี้ค่อนข้างคล้ายกับการใช้ค่า p กล่าวอีกนัยหนึ่งถูกปฏิเสธที่ระดับถ้าหากไม่มีในพื้นที่ HPD P ( θ ∉ T ( x ) | x ) < 0.05 θ 0 Θ 0 5 % 95 %Θ0P( θ ∉ T( x ) | x )< 0.05θ0Θ05 % 95 %
ปล่อยให้ฟังก์ชั่นทดสอบเป็นถ้าได้รับการยอมรับและถ้าถูกปฏิเสธ Madruga และคณะ เสนอฟังก์ชั่นการสูญเสีย
ด้วย 01 Θ 0 0 Θ 0 L ( θ , φ , x ) = { ( 1 - ฉัน ( θ ∈ T ( x ) ) , ถ้า φ ( x ) = 0 B + C ฉัน ( θ ∈ ( T ( x ) ) , ถ้า φ ( x ) = 1 ,φ1Θ00Θ0
L ( θ , φ , x ) = { ( 1 - ฉัน ( θ ∈ T( x ) ) ,ข+ คผม ( θ ∈ ( T( x ) ) ,ถ้า φ(x)=0ถ้า φ(x)=1,
a , b , c > 0
การลดความสูญเสียที่คาดหวังน้อยที่สุดจะนำไปสู่การทดสอบ Pereira-Stern โดยที่ถูกปฏิเสธหากΘ0P( θ ∉ T( x ) | x ) < ( B + C ) / ( + C )
จนถึงทุกอย่างเป็นอย่างดี การทดสอบ Pereira-Stern นั้นเทียบเท่ากับการตรวจสอบว่าอยู่ในภูมิภาค HPD หรือไม่และมีฟังก์ชั่นการสูญเสียที่สร้างการทดสอบนี้ซึ่งหมายความว่ามันก่อตั้งขึ้นในทฤษฎีการตัดสินใจθ0
ส่วนที่แย้งว่าเป็นที่ฟังก์ชั่นการสูญเสียขึ้นอยู่กับx xในขณะที่ฟังก์ชั่นการสูญเสียดังกล่าวปรากฏในวรรณกรรมสองสามครั้ง แต่ดูเหมือนว่าพวกเขาจะไม่ได้รับการยอมรับโดยทั่วไปว่ามีเหตุผลมาก
สำหรับการอ่านเพิ่มเติมในหัวข้อนี้ดูรายการเอกสารที่อ้างถึง Madruga และคณะ บทความ
อัปเดตตุลาคม 2555:
ฉันไม่พอใจอย่างสมบูรณ์กับฟังก์ชั่นการสูญเสียข้างต้นเนื่องจากการพึ่งพาทำให้การตัดสินใจเป็นเรื่องส่วนตัวมากกว่าที่ฉันต้องการ ผมใช้เวลาบางเวลาคิดเพิ่มเติมเกี่ยวกับปัญหานี้และสิ้นสุดที่เขียนโน้ตสั้น ๆ เกี่ยวกับเรื่องนี้โพสต์เมื่อ arXiv ก่อนหน้านี้ในวันนี้x
ให้แสดงฟังก์ชั่นหลังของ quantileเช่นว่าQ แทนที่จะ HPD ชุดเราพิจารณากลาง (เท่ากับนก) ช่วงเวลาx)) ในการทดสอบใช้ช่วงเวลานี้สามารถเป็นธรรมในกรอบการตัดสินใจทฤษฎีโดยไม่ต้องฟังก์ชั่นการสูญเสียที่ขึ้นอยู่กับxQα( θ | x )θP( θ ≤ Qα( θ | x ) ) = α( qα / 2( θ | x ) , q1 - α / 2( θ | x ) )Θ0x
เคล็ดลับคือการปรับเปลี่ยนปัญหาของการทดสอบสมมติฐานจุดว่างเป็นปัญหาสามการตัดสินใจพร้อมข้อสรุปทิศทาง มีการทดสอบแล้วกับทั้งและ\}Θ0= { θ0}Θ0Θ- 1= { θ : θ < θ0}Θ1= { θ : θ > θ0}
ปล่อยให้ฟังก์ชั่นทดสอบถ้าเรายอมรับ (โปรดสังเกตว่าสัญลักษณ์นี้ตรงข้ามกับที่ใช้ข้างต้น!) ปรากฎว่าภายใต้ฟังก์ชันการสูญเสีย
น้ำหนัก
the Bayes การทดสอบคือการปฏิเสธถ้าไม่ได้อยู่ในช่วงกลางφ = iΘผม0 - 1
L2( θ , φ ) = ⎧⎩⎨0 ,α / 2 ,1 ,ถ้า θ∈ Θผม และ φ=ฉัน,ฉัน∈ { - 1 , 0 , 1 } ,ถ้า θ∉ Θ0 และ φ=0,ถ้า θ∈ Θผม∪ Θ0 และ φ=-i,ฉัน∈ { - 1 , 1 } ,
Θ0θ0
ฟังก์ชั่นการสูญเสียที่สมเหตุสมผล ฉันพูดคุยเกี่ยวกับการสูญเสียนี้การสูญเสียและการทดสอบ Madruga-Esteves-Wechsler โดยใช้ชุดที่น่าเชื่อถือเพิ่มเติมในบทความเกี่ยวกับ arXiv