W konkretnym przypadku przestrzeń parametrów jest skończona lub w nieskończoność nieskończona strata tylna związana z utratą wskaźnika jest równa prawdopodobieństwu błędu i jest zminimalizowane, gdy maksymalne prawdopodobieństwo bycia poprawnym jest zmaksymalizowane. Oznacza to, że jest trybem dystrybucji tylnej lub MAP.Θ = { θ 1 , θ 2 , ... } P ( θ ≠ θ | x ) P ( θ = θ | x ) θΘ
Θ = { θ1, θ2), … }
P ( θ^≠ θ | x )P ( θ^= θ | x )θ^
Jednak to powiązanie MAP i utraty jest „twierdzeniem ludowym”, ponieważ jest niepoprawne w większości ustawień, tj. Nie dotyczy ciągłych przestrzeni parametrów, w których dla wszystkich i dalej koliduje z wynikami Druihleta i Marina (BA, 2007), którzy wskazują, że MAP ostatecznie zależy od wyboru dominującej miary. (Mimo że domyślnie wybrano domyślnie miarę Lebesgue'a).P ( θ = θ | x ) = 0 θ0 - 1P ( θ^= θ | x ) = 0θ^
Na przykład Evans i Jang opublikowali artykuł arXiv w 2011 r., W którym omawiają związek między MAP, estymatory najmniejszego zaskoczenia (lub maksymalnego prawdopodobieństwa profilu) i funkcje strat. Istotą sprawy jest to, że ani estymatory MAP, ani MLE nie są tak naprawdę uzasadnione podejściem teoretycznym, przynajmniej w ciągłej przestrzeni parametrów. I że dominująca miara [arbitralnie] wybrana w przestrzeni parametrów wpływa na wartość MAP, jak wykazali Druihlet i Marin w 2007 r. Zaczynają w skończonym przypadku funkcją straty
L (θ,d) = I { Ψ ( θ ) ≠ d) / πΨ( Ψ ( θ ) )
gdzie rozważają oszacowanie przekształcenia Ψ (θ) przez d, odwrotnie ważone przez margines przed transformacją. W szczególnym przypadku transformacji tożsamości ta funkcja straty prowadzi do MLE jako estymatora Bayesa. W ogólnym przypadku estymator Bayesa jest estymatorem największego prawdopodobieństwa profilu (LRSE). Jednak ta funkcja strat nie uogólnia na licznie nieskończone (i oczywiście ciągłe) przestrzenie parametrów iw takich ustawieniach autorzy mogą podać LRSE jedynie jako ograniczenia procedur Bayesa. Funkcja utraty przyjęta w przypadku policzalnym to na przykład
L (θ,d) = I { Ψ ( θ ) ≠ d} / max { η, πΨ( Ψ ( θ ) ) }
z ograniczeniem malejącym do zera. W przypadku ciągłym wskaźnik już nie działa, dlatego wybór dokonany przez autorów polega na dyskretyzacji przestrzeni Ψ (Θ) poprzez konkretny wybór podziału kul, których średnice λ sięgają zera. W duchu Druihleta i Marina wybór ten zależy od metryki (i dalszych warunków prawidłowości). Ponadto sam LRSE
zależy od wersji wybranej dla gęstości (jeśli nie od miary dominującej), chyba że jedna wszędzie nakłada równość Bayesa
wszędzie, gdy
i
maxψπψ( ψ | x ) / πψ( θ )
πψ( ψ | x ) / πψ( θ ) = f( x | ψ ) / m ( x )
fa( x | ψ ) = ∫{ θ ; Ψ ( θ ) = ψ }fa( x | θ ) π( θ ) d θ
m ( x ) = ∫fa( x | θ ) π( θ ) d θ
w duchu
naszego paradoksu Savage-Dickey .
Robert Bassett i Julio Deride opracowali artykuł w 2016 r. Omawiający pozycję MAP w teorii decyzji bayesowskiej.
„… Przedstawiamy kontrprzykład w powszechnie przyjętym pojęciu estymatorów MAP jako granicy estymatorów Bayesa mających straty 0-1”.
Autorzy wspominają moją książkę The Bayesian Choice stwierdzającą tę właściwość bez dalszych środków ostrożności i całkowicie zgadzam się na nieostrożność w tym względzie! Trudność polega na tym, że limit maksymalizatorów niekoniecznie jest maksymalizatorem limitu. Artykuł zawiera przykład tego efektu, z uprzednim jak wyżej, związanym z rozkładem próbkowania, który nie zależy od parametru. Proponowane tam wystarczające warunki są takie, że gęstość tylna jest prawie na pewno właściwa lub prawie wklęsła.
Zobacz także alternatywną charakterystykę estymatorów MAP autorstwa Burgera i Lucki jako właściwych estymatorów Bayesa w ramach innego rodzaju funkcji straty , aczkolwiek raczej sztucznej. Autorzy tego opracowanego artykułu zaczynają od odległości opartej na wcześniejszym; zwany odległością Bregmana, która może być kwadratową lub entropijną odległością w zależności od wcześniejszego. Definiowanie funkcji straty, która jest połączeniem odległości Bregmana i odległości kwadratowej
| | K.( u^- u ) | |2)+ 2 D.π( u^, u )
tworzy MAP jako estymator Bayesa. Nadal można się zastanawiać nad miarą dominującą, ale zarówno funkcja straty, jak i wynikowy estymator są wyraźnie zależne od wyboru miary dominującej… (Strata zależy od wcześniejszego, ale nie jest to wada sama w sobie).