ฉันเข้าใจว่า Jeffreys ก่อนหน้านั้นคงที่ภายใต้การปรับพารามิเตอร์อีกครั้ง อย่างไรก็ตามสิ่งที่ฉันไม่เข้าใจคือเหตุผลที่ต้องการคุณสมบัตินี้
ทำไมคุณไม่ต้องการการเปลี่ยนแปลงก่อนหน้านี้ภายใต้การเปลี่ยนแปลงของตัวแปร?
ฉันเข้าใจว่า Jeffreys ก่อนหน้านั้นคงที่ภายใต้การปรับพารามิเตอร์อีกครั้ง อย่างไรก็ตามสิ่งที่ฉันไม่เข้าใจคือเหตุผลที่ต้องการคุณสมบัตินี้
ทำไมคุณไม่ต้องการการเปลี่ยนแปลงก่อนหน้านี้ภายใต้การเปลี่ยนแปลงของตัวแปร?
คำตอบ:
ให้ฉันทำตามคำตอบของเซน ฉันไม่ชอบความคิดของ "การเป็นตัวแทนความไม่รู้" สิ่งที่สำคัญคือไม่ได้เป็นฟรีย์ก่อน แต่ฟรีย์หลัง ด้านหลังนี้มีจุดประสงค์เพื่อสะท้อนข้อมูลที่ดีที่สุดเกี่ยวกับพารามิเตอร์ที่เกิดจากข้อมูล คุณสมบัติ invariance นั้นจำเป็นสำหรับสองจุดต่อไปนี้ตามธรรมชาติ พิจารณาเช่นรูปแบบทวินามในสัดส่วนที่ไม่รู้จักพารามิเตอร์และราคาพารามิเตอร์theta}
ด้านหลังของ Jeffreys บนสะท้อนให้เห็นถึงข้อมูลที่ดีที่สุดเกี่ยวกับจากข้อมูล มีการติดต่อแบบหนึ่งต่อหนึ่งระหว่างเป็นและ\จากนั้นเปลี่ยนหลังฟรีย์ในเข้าไปหลังบน (ผ่านตามปกติการเปลี่ยนแปลงของตัวแปรสูตร) ควรผลผลิตกระจายสะท้อนให้เห็นถึงดีที่สุดเท่าที่เป็นไปได้ข้อมูลเกี่ยวกับ\ดังนั้นการกระจายนี้ควรจะเป็นหลังฟรีย์เกี่ยวกับ\นี่คือคุณสมบัติไม่แปรเปลี่ยน
จุดสำคัญเมื่อวาดข้อสรุปของการวิเคราะห์ทางสถิติคือการสื่อสารทางวิทยาศาสตร์ ลองนึกภาพคุณให้ Jeffreys ด้านหลังบนกับเพื่อนร่วมงานวิทยาศาสตร์ แต่เขา / เธอเป็นที่สนใจในมากกว่า\แล้วนี่ไม่ใช่ปัญหาของคุณสมบัติค่าคงที่: เขา / เธอเพียงแค่ต้องใช้สูตรการเปลี่ยนแปลงของตัวแปร
สมมติว่าคุณและเพื่อนกำลังวิเคราะห์ชุดข้อมูลเดียวกันโดยใช้แบบจำลองปกติ คุณยอมรับการปรับพารามิเตอร์ตามปกติของโมเดลปกติโดยใช้ค่าเฉลี่ยและความแปรปรวนเป็นพารามิเตอร์ แต่เพื่อนของคุณชอบที่จะกำหนดพารามิเตอร์ของโมเดลปกติด้วยค่าสัมประสิทธิ์การเปลี่ยนแปลงและความแม่นยำเป็นพารามิเตอร์ (ซึ่งเป็น "กฎหมาย" อย่างสมบูรณ์) หากคุณทั้งคู่ใช้นักบวชของ Jeffreys การกระจายด้านหลังของคุณจะเป็นการกระจายด้านหลังของเพื่อนคุณอย่างถูกต้องเปลี่ยนจากการกำหนดพารามิเตอร์ของเขามาเป็นของคุณ ในแง่นี้สิ่งที่เจฟฟรีส์เคยเป็น "ไม่เปลี่ยนแปลง" มาก่อน
(โดยวิธีการ "คงที่" เป็นคำที่น่ากลัวสิ่งที่เราหมายถึงจริงๆคือมันเป็น "covariant" ในความหมายเดียวกันของแคลคูลัส / เรขาคณิตเชิงอนุพันธ์ แต่แน่นอนคำนี้มีความหมายที่น่าจะเป็นไปได้แล้ว ดังนั้นเราจึงใช้มันไม่ได้)
เหตุใดจึงต้องมีคุณสมบัติความสอดคล้องนี้ เพราะหากก่อนหน้านี้ของ Jeffreys มีโอกาสที่จะเป็นตัวแทนของความไม่รู้เกี่ยวกับคุณค่าของพารามิเตอร์ในแง่ที่แน่นอน (อันที่จริงแล้วมันไม่ได้ แต่ด้วยเหตุผลอื่น ๆ ที่ไม่เกี่ยวข้องกับ "invariance") และไม่เพิกเฉย ของแบบจำลองนั้นจะต้องเป็นกรณีที่ไม่ว่าเราจะเลือกพารามิเตอร์เริ่มต้นด้วยพารามิเตอร์ใดก็ตามผู้ตกแต่งของเราควร "จับคู่" หลังจากการเปลี่ยนแปลง
เจฟฟรีย์เองละเมิดทรัพย์สิน "invariance" นี้เป็นประจำเมื่อสร้างนักบวช
บทความนี้มีการอภิปรายที่น่าสนใจเกี่ยวกับเรื่องนี้และวิชาที่เกี่ยวข้อง
เพื่อเพิ่มการอ้างอิงบางส่วนให้กับคำตอบที่ยอดเยี่ยมของ Zen: จากข้อมูลของเจย์เนส Jeffreys ก่อนเป็นตัวอย่างของหลักการของกลุ่มการเปลี่ยนแปลงซึ่งเป็นผลมาจากหลักการของความเฉยเมย:
สาระสำคัญของหลักการเป็นเพียง: (1) เรารับรู้ว่าการมอบหมายความน่าจะเป็นเป็นวิธีการอธิบายความรู้บางรัฐที่ฉัน (2) ถ้ามีหลักฐานจะช่วยให้เรามีเหตุผลที่จะต้องพิจารณาเรื่องไม่มีอย่างใดอย่างหนึ่งมากหรือน้อยกว่าแล้วเท่านั้นเที่ยงตรงทางเราสามารถอธิบายสถานะของความรู้ที่จะกำหนดให้เท่ากับความน่าจะเป็น: P_1ขั้นตอนอื่นใดจะไม่สอดคล้องกันในแง่ที่ว่าโดยการแลกเปลี่ยนฉลากเราสามารถสร้างปัญหาใหม่ที่สถานะความรู้ของเราเหมือนกัน แต่เรากำหนดความน่าจะเป็นที่แตกต่างกัน ... ( 1 , 2 )
ตอนนี้เพื่อตอบคำถามของคุณ:“ ทำไมคุณไม่ต้องการก่อนที่จะเปลี่ยนแปลงภายใต้การเปลี่ยนแปลงของตัวแปร”
Parametrization เป็นอีกประเภทหนึ่งของป้ายชื่อโดยพลการและไม่ควร "โดยการแลกเปลี่ยนฉลากเพียงอย่างเดียวทำให้เกิดปัญหาใหม่ซึ่งสถานะความรู้ของเราเหมือนกัน แต่เรากำหนดความน่าจะเป็นที่แตกต่างกัน ”
ในขณะที่มักจะน่าสนใจหากเพียงสำหรับการตั้งค่าการอ้างอิงก่อนกับที่จะวัดไพรเออร์อื่น ๆ ไพรเออร์ฟรีย์อาจจะไร้ประโยชน์อย่างสมบูรณ์เป็นตัวอย่างเช่นเมื่อพวกเขานำไปสู่การ posteriors ที่ไม่เหมาะสม: นี่คือตัวอย่างเช่นกรณีที่มีง่ายสององค์ประกอบผสมแบบเกาส์ โดยไม่ทราบพารามิเตอร์ทั้งหมด ในกรณีนี้ผู้อยู่ด้านหลังของ Jeffreys ก่อนไม่มีอยู่ไม่ว่าจะมีการสังเกตจำนวนเท่าใด (หลักฐานมีอยู่ในกระดาษล่าสุดที่ฉันเขียนกับ Clara Grazian)
ฟรีย์ก่อนเป็นไร้ประโยชน์ นี้เป็นเพราะ:
อย่าใช้มัน