ทำไม Bayesian จึงไม่ได้รับอนุญาตให้ดูสิ่งตกค้าง


46

ในบทความ "การสนทนา: นักนิเวศวิทยาควรเป็นชาวเบย์หรือไม่?" ไบรอันเดนนิสให้มุมมองเชิงบวกและเชิงบวกที่น่าประหลาดใจของสถิติแบบเบย์เมื่อเป้าหมายของเขาดูเหมือนจะเตือนผู้คนเกี่ยวกับเรื่องนี้ อย่างไรก็ตามในวรรคหนึ่งโดยไม่มีการอ้างอิงหรือเหตุผลใด ๆ เขาพูดว่า:

คุณเห็นไหมไม่ได้รับอนุญาตให้ดูสิ่งที่เหลืออยู่ของพวกเขา มันเป็นการละเมิดหลักการความน่าจะเป็นที่จะตัดสินผลลัพธ์โดยวิธีการที่รุนแรงภายใต้แบบจำลอง สำหรับชาวเบย์นั้นไม่มีรูปแบบที่ไม่ดี แต่เป็นความเชื่อที่ไม่ดี

เหตุใดชาว Bayesian จึงไม่ได้รับอนุญาตให้ดูสิ่งตกค้าง การอ้างอิงที่เหมาะสมสำหรับสิ่งนี้คืออะไร (เขาคือใครอ้างอิง)

เดนนิส, บี.
อภิปราย: นักนิเวศวิทยาควรกลายเป็นชาวเบย์?
การประยุกต์ใช้งานระบบนิเวศสังคมนิเวศวิทยาของอเมริกา , 1996 , 6, 1095-1103


6
หากการโต้แย้งนั้นได้ผลผู้ที่ใช้บ่อยไม่สามารถใช้หลักการโอกาสได้เช่นกัน - ด้วยเหตุผลเดียวกัน
Glen_b

@Glen: การวิเคราะห์เป็นประจำจะละเมิดหลักการความน่าจะเป็น
Scortchi - Reinstate Monica

3
@Glen: ผู้นิยมชมชอบ LP อย่างแท้จริง (รุ่นที่อ่อนแอเทียบเท่ากับหลักการความพอเพียง - เวอร์ชั่นที่แข็งแกร่งไม่เข้ากันกับแนวทางประจำ) จะต้องหลีกเลี่ยงการตรวจสอบรูปแบบ คนที่ชื่นชมมันดีใจเมื่อพวกเขาสามารถใช้มันสำหรับงานการประมาณค่าพารามิเตอร์ของแบบจำลองที่ระบุและยังมีส่วนเสริมอิสระมากขึ้นหรือน้อยลงเหลืออยู่สำหรับการตรวจสอบแบบเก่า ๆ
Scortchi - Reinstate Monica

1
แม้กระทั่งผู้ที่ทำการประเมินค่า ML บ่อยครั้งเขายังคงละเมิด LP เพราะเขาพิจารณาการกระจายตัวตัวอย่างของ MLE เพื่อหาช่วงความมั่นใจสำหรับการประมาณของเขา
เซน

2
@ เซน: เขาไม่ได้ละเมิดLP ที่อ่อนแอตราบใดที่ช่วงความเชื่อมั่นขึ้นอยู่กับข้อมูลผ่านฟังก์ชั่นความน่าจะเป็นเท่านั้น แต่เขาอาจละเมิดLP ที่แข็งแกร่งไม่ช้าก็เร็วโดยสร้างช่วงความเชื่อมั่นที่แตกต่างกันตามฟังก์ชันความน่าจะเป็นแบบเดียวกันจากการทดลองที่แตกต่างกันด้วยพื้นที่สุ่มตัวอย่างที่แตกต่างกัน
Scortchi - Reinstate Monica

คำตอบ:


19

แน่นอนชาวเบย์สามารถดูสิ่งตกค้างได้! และแน่นอนว่ามีโมเดลที่ไม่ดีในการวิเคราะห์แบบเบย์ อาจมี Bayesians ไม่กี่คนในมุมมองที่สนับสนุน 70 เช่นนั้น (และฉันสงสัยว่า) แต่คุณแทบจะไม่พบ Bayesian ที่สนับสนุนมุมมองนี้ทุกวันนี้

ฉันไม่ได้อ่านข้อความ แต่ Bayesians ใช้สิ่งต่าง ๆ เช่น Bayes factors เพื่อเปรียบเทียบแบบจำลอง ที่จริงแล้ว Bayesian ยังสามารถคำนวณความน่าจะเป็นของแบบจำลองที่เป็นจริงและเลือกแบบจำลองที่น่าจะเป็นจริงมากกว่า หรือ Bayesian สามารถเฉลี่ยข้ามโมเดลเพื่อให้ได้แบบที่ดีขึ้น หรือสามารถใช้การตรวจสอบการคาดการณ์หลัง มีตัวเลือกมากมายในการตรวจสอบแบบจำลองและแต่ละแบบอาจใช้วิธีใดวิธีหนึ่ง แต่บอกว่าไม่มีแบบจำลองที่ไม่ดีในการวิเคราะห์แบบเบย์

ดังนั้นอย่างมากที่สุดจะเป็นการดีกว่าถ้าจะบอกว่าในแบบสุดโต่งของ Bayesianism (เวอร์ชั่นสุดโต่งที่แทบจะไม่มีใครใช้ในการตั้งค่าที่ใช้ไปแล้ว) คุณไม่ได้รับอนุญาตให้ตรวจสอบแบบจำลองของคุณ แต่มากกว่าที่คุณจะพูดได้ว่าในยุคสมัยของการใช้ชีวิตประจำวันคุณจะไม่ได้รับอนุญาตให้ใช้ข้อมูลเชิงสังเกตการณ์เช่นกัน แต่ทำไมเสียเวลาพูดถึงสิ่งที่โง่ ๆ เหล่านี้เมื่อเราสามารถพูดคุยว่าหากและเมื่อใดในสภาพแวดล้อมที่มีการประยุกต์เราควรใช้วิธีเบย์หรือวิธีประจำหรืออะไรก็ตาม? นั่นคือสิ่งที่สำคัญในความคิดที่ต่ำต้อยของฉัน

อัปเดต: OP ขอการอ้างอิงจากใครบางคนที่สนับสนุน Bayes รุ่นสุดขีด เนื่องจากฉันไม่เคยอ่าน Bayes รุ่นสุดโต่งใด ๆ ฉันจึงไม่สามารถให้ข้อมูลอ้างอิงนี้ได้ แต่ฉันเดาว่า Savage อาจเป็นข้อมูลอ้างอิงได้ ฉันไม่เคยอ่านอะไรที่เขียนโดยเขาดังนั้นฉันอาจผิด

ป.ล. : คิดถึงปัญหาของ "Bayesian ที่ได้รับการสอบเทียบอย่างดี" ( Dawid (1982), JASA , 77 , 379 ) ผู้พยากรณ์วิชาเบย์ที่เชื่อมโยงกันไม่สามารถทำการปรับเทียบได้และดังนั้นจะไม่ตรวจสอบแบบจำลอง / การคาดการณ์ของเขาแม้จะมีหลักฐานมากมายที่บ่งบอกว่าเขาไม่ได้ทำการปรับเทียบ แต่ฉันไม่คิดว่าทุกคนในทางปฏิบัติสามารถอ้างได้ว่าสอดคล้องกัน ดังนั้นการตรวจสอบแบบจำลองจึงมีความสำคัญ

ps2: ฉันชอบกระดาษนี้โดย Efronเช่นกัน ข้อมูลอ้างอิงทั้งหมดคือ: Efron, Bradley (2005) "Bayesians, บ่อยครั้งและนักวิทยาศาสตร์" วารสารสมาคมสถิติอเมริกัน 100 (469)


5
ฉันยังสันนิษฐานว่าข้อห้ามนั้นไม่เคยถูกนำมาใช้อย่างจริงจังในทางปฏิบัติดังนั้นฉันจึงประหลาดใจที่ได้อ่านเรื่องนี้จาก Gelman: - "ฉันไม่ต้องการกลับไปสู่สถานะเดิมในปี 1990 ในสถิติ Bayesian อย่างจริงจัง ผิดกฎหมายในการตรวจสอบรูปแบบที่เหมาะสมกับข้อมูลของคุณ "
Scortchi - Reinstate Monica

1
ฉันไม่รู้ว่าสถิติเบย์ในศตวรรษนี้เป็นอย่างไร แต่มันยากที่จะเชื่อว่าในการตั้งค่าที่ใช้ Bayesians ไม่ได้ตรวจสอบแบบจำลองของพวกเขา บางทีพวกเขาตรวจสอบ แต่ไม่ได้บอก!
Manoel Galdino

2

ฉันเห็นด้วยอย่างแน่นอนว่านี่ไม่ใช่ปัญหาใหญ่ฉันแค่อยากรู้ว่าใครมีการเผยแพร่ในเรื่องนี้ คุณเคยอ่านใครที่สนับสนุน "Bayesianism เวอร์ชั่นสุดโต่ง" เหล่านี้หรือไม่?
Mankka

35

พวกเขาสามารถดู แต่ไม่ได้สัมผัส ท้ายที่สุดแล้วส่วนที่เหลือเป็นส่วนหนึ่งของข้อมูลที่ไม่ได้นำข้อมูลใด ๆ เกี่ยวกับพารามิเตอร์ของแบบจำลองมาก่อนและก่อนหน้านี้พวกเขาแสดงความไม่แน่นอนเกี่ยวกับสิ่งเหล่านั้น - พวกเขาไม่สามารถเปลี่ยนแปลงก่อนหน้านี้

ตัวอย่างเช่นสมมติว่าคุณกำลังทำหุ่นจำลองแบบเกาส์เซียน แต่สังเกตได้ว่ามีความโด่งมากเกินไปในส่วนที่เหลือ บางทีสมมุติฐานก่อนหน้าของคุณน่าจะเป็นการแจกแจงแบบ t ด้วยความน่าจะเป็นแบบไม่เป็นศูนย์เหนือระดับความเป็นอิสระต่ำ แต่ก็ไม่ใช่ - มันเป็นการกระจายตัวแบบ t อย่างมีประสิทธิภาพด้วยความน่าจะเป็นศูนย์ทุกหนทุกแห่ง ไม่มีสิ่งใดในความเป็นไปได้ที่จะทำให้เกิดความน่าจะเป็นที่ไม่ใช่ศูนย์เหนือภูมิภาคของความหนาแน่นหลังซึ่งความหนาแน่นก่อนหน้านี้เป็นศูนย์ ดังนั้นความคิดในการอัปเดตนักบวชอย่างต่อเนื่องโดยพิจารณาจากความน่าจะเป็นของข้อมูลจะไม่ทำงานเมื่อต้นฉบับดั้งเดิมนั้นผิดพลาด

แน่นอนถ้าคุณ Google "การตรวจสอบรูปแบบเบย์" คุณจะเห็นว่านี่เป็นเรื่องตลกของการปฏิบัติแบบเบย์จริง ยังคงมันเป็นตัวแทนของบางสิ่งบางอย่างของความยากลำบากสำหรับตรรกะของวิทยาศาสตร์ - ข้อโต้แย้งประเภทสำหรับความเหนือกว่าของ Bayesianism ในบริเวณปรัชญา บล็อกของ Andrew Gelmanน่าสนใจในหัวข้อนี้


คุณมีการอ้างอิงใด ๆ เกี่ยวกับ "ความยากลำบากสำหรับตรรกะวิทยาศาสตร์" นี้หรือไม่?
Mankka

7
ฉันอ้างถึง Jaynes ทฤษฎีความน่าจะเป็น: ตรรกะของวิทยาศาสตร์ซึ่งการใช้ทฤษฎีบทของเบย์ซ้ำ ๆ เพื่อปรับปรุงการแจกแจงความน่าจะเป็นเมื่อมีข้อมูลใหม่เข้ามาอ้างว่าเป็นกระบวนทัศน์สำหรับการเติบโตของความรู้ทางวิทยาศาสตร์ ฉันแน่ใจว่าเขาจัดการกับปัญหาก่อนหน้านี้ที่แคบเกินไป แต่ฉันจำไม่ได้ว่าเป็นอย่างไรหรือน่าพอใจเพียงใด และฉันจะเปลี่ยน "ความเหนือกว่าทั่วไป" เป็น "ความเหนือกว่าบนพื้นฐานทางปรัชญา" เนื่องจากดูเหมือนจะสื่อสิ่งที่ฉันหมายถึงได้ดีขึ้น
Scortchi - Reinstate Monica

นี้เป็นตัวอย่างของการใช้งานก่อนที่เบส์ถูกนำมาใช้เพื่อลดเป็นครั้งคราว (2%) การเกิดขึ้นของunphysicalผล การขาดกายภาพนี้ได้มาจากการผสมทันทีที่ไม่ใช่ทางกายภาพ (ของยาเสพติดในร่างกาย) และได้รับการแก้ไขโดยสมมติว่าการผสมเริ่มต้นเป็นศูนย์โดยใช้แบบจำลองที่ดีกว่า ดูเหมือนว่าจะปรับตัวแบบเข้ากับปัญหาได้ดีกว่าเพื่อลบล้างคำตอบเพื่อให้สอดคล้องกับความคิด (+1)
Carl
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.