การตีความแบบเบย์นั้นมีอยู่ภายในกรอบการวิเคราะห์แบบเบย์เท่านั้นสำหรับตัวประมาณที่เกี่ยวข้องกับการแจกแจงหลัง ดังนั้นวิธีเดียวที่ตัวประมาณค่า REML สามารถได้รับการตีความแบบเบย์ (เช่นการตีความแบบตัวประมาณการที่นำมาจากด้านหลัง) คือถ้าเราใช้ความน่าจะเป็นบันทึกแบบ จำกัด ในการวิเคราะห์ REML ให้เป็นแบบบันทึกหลังในลักษณะเดียวกัน การวิเคราะห์แบบเบย์ ในกรณีนี้ตัวประมาณ REML จะเป็นตัวประมาณค่า MAPจากทฤษฎีแบบเบย์พร้อมกับการตีความแบบเบย์แบบเดียวกัน
การตั้งค่าตัวประมาณ REML ให้เป็นตัวประมาณของ MAP:มันค่อนข้างง่ายที่จะดูวิธีตั้งค่าความน่าจะเป็นของบันทึกที่ จำกัด ในการวิเคราะห์ REML ให้เป็นตัวบันทึกหลังในการวิเคราะห์แบบเบย์ ในการทำเช่นนี้เราจำเป็นต้องมีการบันทึกก่อนที่จะเป็นเชิงลบของส่วนของความเป็นไปได้ที่จะถูกลบโดยกระบวนการ REML สมมติว่าเรามี log-likelihoodโดยที่เป็น log-likelihood ที่เหลือและเป็นพารามิเตอร์ที่น่าสนใจ (โดยที่เป็นพารามิเตอร์ที่สร้างความรำคาญของเรา) การตั้งค่าก่อนหน้ากับให้หลังที่สอดคล้องกัน:ℓx(θ,ν)=ℓ∗(θ,ν)+ℓRE(θ)ℓRE(θ)θνπ(θ,ν)∝exp(−ℓ∗(θ,ν))
π(θ|x)∝∫Lx(θ,ν)π(θ,ν)dν∝∫exp(ℓx(θ,ν))exp(−ℓ∗(θ,ν))dν=∫exp(ℓx(θ,ν)−ℓ∗(θ,ν))dν=∫exp(ℓ∗(θ,ν)+ℓRE(θ)−ℓ∗(θ,ν))dν=∫exp(ℓRE(θ))dν=∫LRE(θ)dν∝LRE(θ).
สิ่งนี้ทำให้เรา:
θ^MAP=argmaxθπ(θ|x)=argmaxθLRE(θ)=θ^REML.
ผลลัพธ์นี้ช่วยให้เราสามารถตีความตัวประมาณ REML เป็นตัวประมาณค่า MAP ดังนั้นการตีความแบบเบย์ที่เหมาะสมของตัวประมาณ REML ก็คือมันเป็นตัวประมาณที่เพิ่มความหนาแน่นหลังไว้ด้านล่างก่อนหน้านี้
เมื่อแสดงวิธีการให้การตีความแบบเบย์แก่ผู้ประมาณค่า REML แล้วเราทราบว่ามีปัญหาใหญ่เกิดขึ้นกับวิธีการนี้ ปัญหาหนึ่งคือก่อนหน้านี้เกิดขึ้นโดยใช้ส่วนประกอบบันทึกความน่าจะเป็นซึ่งขึ้นอยู่กับข้อมูล ดังนั้นความจำเป็นในการได้รับการตีความก่อนหน้านี้จึงไม่ใช่ความจริงก่อนหน้านี้ในแง่ของการเป็นฟังก์ชันที่สามารถเกิดขึ้นได้ก่อนที่จะเห็นข้อมูล ปัญหาอีกประการหนึ่งคือก่อนหน้านี้มักจะไม่เหมาะสม (กล่าวคือไม่ได้รวมเข้ากับหนึ่ง) และอาจเพิ่มน้ำหนักได้จริงเมื่อค่าพารามิเตอร์กลายเป็นรุนแรง (เราจะแสดงตัวอย่างด้านล่างนี้)ℓ∗(θ,ν)
จากปัญหาเหล่านี้เราอาจโต้แย้งได้ว่าไม่มีการตีความแบบเบย์ที่สมเหตุสมผลสำหรับตัวประมาณ REML อีกวิธีหนึ่งเราสามารถยืนยันว่าตัวประมาณ REML ยังคงรักษาความหมายแบบเบย์ข้างต้นไว้ได้ซึ่งเป็นตัวประมาณตัวด้านหลังสูงสุดภายใต้ "ก่อนหน้า" ซึ่งจะต้องสอดคล้องกับข้อมูลที่สังเกตในรูปแบบที่กำหนดโดยบังเอิญและอาจไม่เหมาะสมอย่างยิ่ง
ภาพประกอบพร้อมข้อมูลปกติ:ตัวอย่างคลาสสิกของการประมาณค่า REML สำหรับกรณีของข้อมูลปกติที่คุณสนใจความแม่นยำและ meanเป็นพารามิเตอร์ที่สร้างความรำคาญ ในกรณีนี้คุณมีฟังก์ชั่นบันทึกความเป็นไปได้:x1,...,xn∼N(ν,1/θ)θν
ℓx(ν,θ)=−n2lnθ−θ2∑i=1n(xi−ν)2.
ใน REML เราแบ่งความน่าจะเป็นนี้เป็นสององค์ประกอบ:
ℓ∗(ν,θ)ℓRE(θ)=−n2lnθ−θ2∑i=1n(xi−ν)2=−n−12lnθ−θ2∑i=1n(xi−x¯)2.
เราได้ตัวประมาณค่า REML สำหรับพารามิเตอร์ความแม่นยำโดยการเพิ่มความน่าจะเป็นที่เหลือซึ่งทำให้ตัวประมาณค่าที่เป็นกลางสำหรับความแปรปรวน:
1θ^REML=1n−1∑i=1n(xi−x¯)2.
ในกรณีนี้ตัวประมาณ REML จะสอดคล้องกับตัวประมาณค่า MAP สำหรับความหนาแน่น "ก่อนหน้า":
π(θ)∝θn/2exp(θ2∑i=1n(xi−ν)2).
อย่างที่คุณเห็นจริง ๆ แล้ว "ก่อนหน้า" นี้ขึ้นอยู่กับค่าข้อมูลที่สังเกตดังนั้นจึงไม่สามารถเกิดขึ้นจริงก่อนที่จะเห็นข้อมูล ยิ่งไปกว่านั้นเราจะเห็นได้ชัดว่ามันเป็น "ที่ไม่เหมาะสม" ก่อนหน้านี้ที่ทำให้น้ำหนักของและมากขึ้นเรื่อย ๆ (อันที่จริงก่อนหน้านี้เป็นคนทำตัวสวย ๆ ) หากโดย "ความบังเอิญ" คุณต้องสร้างรูปแบบก่อนหน้านี้ที่เกิดขึ้นเพื่อให้สอดคล้องกับผลลัพธ์นี้ตัวประมาณ REML จะเป็นตัวประมาณของแผนที่ภายใต้เรื่องก่อนหน้านี้ ตัวประมาณที่เพิ่มด้านหลังให้ใหญ่ที่สุดก่อนหน้านั้นθν