Jest to termin, który pochodzi konkretnie z empirycznego Bayesa (EB), w rzeczywistości koncepcja, do której się odnosi, nie istnieje w prawdziwym wnioskowaniu bayesowskim. Pierwotnym terminem była „siła zaciągania pożyczek”, która została ukuta przez Johna Tukeya w latach 60. XX wieku, a następnie popularyzowana przez Bradleya Efrona i Carla Morrisa w szeregu artykułów statystycznych na temat paradoksu Stein'a i parametrycznego EB w latach 70. i 80. XX wieku. Wiele osób używa teraz „pożyczania informacji” lub „udostępniania informacji” jako synonimów tego samego pojęcia. Powodem, dla którego możesz to usłyszeć w kontekście modeli mieszanych, jest to, że najczęstsze analizy modeli mieszanych mają interpretację EB.
EB ma wiele zastosowań i ma zastosowanie do wielu modeli statystycznych, ale zawsze kontekstem jest to, że masz dużą liczbę (ewentualnie niezależnych) przypadków i próbujesz oszacować konkretny parametr (taki jak średnia lub wariancja) w każdym przypadku. W wnioskowaniu bayesowskim wnioskujesz później o wnioskowaniu na temat parametru na podstawie zarówno danych obserwowanych dla każdego przypadku, jak i wcześniejszego rozkładu dla tego parametru. W wnioskowaniu EB wcześniejszy rozkład parametru jest szacowany na podstawie całego zbioru przypadków danych, po czym wnioskowanie przebiega jak w przypadku wnioskowania bayesowskiego. Dlatego przy szacowaniu parametru dla konkretnego przypadku używasz zarówno danych dla tego przypadku, jak i szacunkowego wcześniejszego rozkładu, a ten ostatni reprezentuje „informację” lub „siłę”
Teraz możesz zobaczyć, dlaczego EB ma „pożyczać”, a prawdziwy Bayes nie. W prawdziwym Bayesie wcześniejsza dystrybucja już istnieje, więc nie trzeba jej błagać ani pożyczać. W EB wcześniejszy rozkład został utworzony z samych zaobserwowanych danych. Kiedy wyciągamy wnioski na temat konkretnego przypadku, wykorzystujemy wszystkie zaobserwowane informacje z tego przypadku i trochę informacji z każdego z pozostałych przypadków. Mówimy, że jest „pożyczony”, ponieważ informacje są przekazywane, gdy przechodzimy dalej, aby wyciągnąć wnioski na temat następnej sprawy.
Idea EB i „pożyczania informacji” jest szeroko stosowana w genomice statystycznej, gdy każdy „przypadek” jest zwykle genem lub cechą genomową (Smyth, 2004; Phipson i in., 2016).
Bibliografia
Efron, Bradley i Carl Morris. Paradoks Steina w statystyce. Scientific American 236, no. 5 (1977): 119–127. http://statweb.stanford.edu/~ckirby/brad/other/Article1977.pdf
Smyth, GK (2004). Modele liniowe i empiryczne metody Bayesa do oceny ekspresji różnicowej w eksperymentach mikromacierzy. Zastosowania statystyczne w genetyce i biologii molekularnej Tom 3, wydanie 1, artykuł 3.
http://www.statsci.org/smyth/pubs/ebayes.pdf
Phipson, B, Lee, S, Majewski, IJ, Alexander, WS i Smyth, GK (2016). Solidne oszacowanie hiperparametrów chroni przed genami hiperzmiennymi i poprawia moc wykrywania różnicowej ekspresji. Annals of Applied Statistics 10, 946-963.
http://dx.doi.org/10.1214/16-AOAS920