Dlaczego konieczne jest pobieranie próbek z rozkładu tylnego, jeśli już WIEMY rozkład tylny?


19

Rozumiem, że stosując podejście bayesowskie do szacowania wartości parametrów:

  • Rozkład tylny jest kombinacją rozkładu wcześniejszego i rozkładu prawdopodobieństwa.
  • Symulujemy to, generując próbkę z rozkładu tylnego (np. Przy użyciu algorytmu Metropolis-Hasting do generowania wartości i akceptujemy je, jeśli przekraczają pewien próg prawdopodobieństwa przynależności do rozkładu tylnego).
  • Po wygenerowaniu tej próbki używamy jej do przybliżenia rozkładu tylnej części ciała i takich rzeczy, jak jej średnia.

Ale czuję, że muszę coś nie rozumieć. Wygląda na to, że mamy rozkład tylny, a następnie próbkujemy z niego, a następnie wykorzystujemy tę próbkę jako przybliżenie rozkładu tylnego. Ale jeśli mamy rozkład tylny na początek, dlaczego musimy go pobrać, aby go przybliżyć?

Odpowiedzi:


20

To pytanie zostało prawdopodobnie rozważone już na tym forum.

Kiedy mówisz, że „masz rozkład tylny”, co dokładnie masz na myśli? „Posiadanie” funkcji , którą znam jest proporcjonalna do tylnej, a mianowicie π ( θ | x ) π ( θ ) × f ( x | θ ), na przykład całkowicie sztuczny cel π ( θ | x ) exp { - | | θ - x | | 2 - | | θ + xθ

π(θ|x)π(θ)×fa(x|θ)
nie mówi mi, co jest
π(θ|x)exp{-||θ-x||2)-||θ+x||4-||θ-2)x||6},  x,θR18,
  1. późniejsze oczekiwanie funkcji , np. E [ h ( θ ) | x ] , średnia tylna działająca jako estymator bayesowski przy standardowych stratach;θmi[h(θ)|x]
  2. optymalna decyzja w ramach dowolnej funkcji użyteczności, decyzja, która minimalizuje oczekiwaną utratę tylnej;
  3. 90% lub 95% przedział niepewności parametru (ów), subwektor parametru (ów) lub funkcja parametru (ów), czyli region HPD
    {h=h(θ); πh(h)h_}
  4. najbardziej prawdopodobny model do wyboru między ustawieniem niektórych składników parametru (parametrów) na określone wartości a utrzymaniem ich nieznanych (i losowych).

To tylko przykłady wielu zastosowań rozkładu tylnego. We wszystkich przypadkach, z wyjątkiem najprostszych, nie mogę udzielić odpowiedzi, wpatrując się w gęstość dystrybucji tylnej i muszę przejść przez rozdzielczości numeryczne, takie jak metody Monte Carlo z łańcuchem Monte Carlo i Markowa.


Dziękuję bardzo za odpowiedź Xi'an. Jestem pewien, że to odpowiada na moje pytanie, ale wciąż mam trochę trudności z jego zrozumieniem. Czy mam rację, że mamy funkcję gęstości prawdopodobieństwa odpowiadającą a posteriori (tj. Przez połączenie wcześniejszego i prawdopodobieństwa)? Dlaczego nie mogliśmy znaleźć 95% CI bezpośrednio na podstawie tego, a nie na podstawie próbki tylnej dystrybucji?
Dave

2
@Dave Myślę, że kluczem jest tutaj to, co rozumiesz przez „mieć”. Ogólnie rzecz biorąc, nie będziesz mieć rozwiązania w formie zamkniętej, więc nie będziesz miał „funkcji” w użytecznym znaczeniu.
mnich

@monk dzięki za odpowiedź! Zastanawiasz się nad tym, co stanowi rozwiązanie w formie zamkniętej?
Dave

2
Załóżmy, że twój przeor to Beta (a, b), a prawdopodobieństwo to Dwumianowe (n, p). Jak obliczyć oczekiwaną wartość swojego tylnego? Spróbuj opracować całkę tego produktu za pomocą pióra i papieru. Ogólnie rzecz biorąc, taka całka będzie wymagała od komputera uzyskania dokładnej wartości. Alternatywnie, możesz odkryć, że Beta jest sprzężona przed Binomialem, a zatem tylna będzie Beta (z łatwo obliczalnymi parametrami). Ale często nie będziesz miał takiego szczęścia. Określenie definicji „formy zamkniętej” jest trudne i warte samodzielnego przeczytania.
mnich

4

Tak, możesz mieć analityczny rozkład boczny. Ale rdzeniem analizy bayesowskiej jest marginalizacja względem tylnego rozkładu parametrów, aby uzyskać lepszy wynik przewidywania zarówno pod względem dokładności, jak i możliwości generalizacji. Zasadniczo chcesz uzyskać rozkład predykcyjny, który ma następującą postać.

p(x|D)=p(x|w)p(w|D)dw

p(w|D)p(w|D)p(x|w)

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.