Z perspektywy prawdopodobieństwa Bayesa dlaczego 95% przedział ufności nie zawiera prawdziwego parametru z prawdopodobieństwem 95%?

14

Ze strony Wikipedii na temat przedziałów ufności :

... jeśli przedziały ufności są konstruowane na podstawie wielu oddzielnych analiz danych z powtarzanych (i być może różnych) eksperymentów, proporcja takich przedziałów, które zawierają prawdziwą wartość parametru, będzie odpowiadać poziomowi ufności ...

I z tej samej strony:

Przedział ufności nie przewiduje, że prawdziwa wartość parametru ma szczególne prawdopodobieństwo, że znajdzie się w przedziale ufności, biorąc pod uwagę faktycznie uzyskane dane.

Jeśli dobrze to zrozumiałem, to ostatnie stwierdzenie zostało sformułowane z myślą o częstej interpretacji prawdopodobieństwa. Jednak z perspektywy prawdopodobieństwa Bayesa dlaczego 95% przedział ufności nie zawiera prawdziwego parametru z prawdopodobieństwem 95%? A jeśli nie, co jest nie tak z następującym rozumowaniem?

Jeśli znam proces, który znam, w 95% przypadków daje prawidłową odpowiedź, wówczas prawdopodobieństwo, że następna odpowiedź będzie poprawna, wynosi 0,95 (biorąc pod uwagę, że nie mam żadnych dodatkowych informacji dotyczących tego procesu). Podobnie, jeśli ktoś pokaże mi przedział ufności, który jest tworzony przez proces, który będzie zawierał prawdziwy parametr w 95% przypadków, czy nie powinienem mieć racji, mówiąc, że zawiera prawdziwy parametr z prawdopodobieństwem 0,95, biorąc pod uwagę to, co wiem?

To pytanie jest podobne, ale nie to samo, dlaczego: 95% CI nie oznacza 95% szansy na zawarcie średniej? Odpowiedzi na to pytanie koncentrują się na tym, dlaczego 95% CI nie implikuje 95% szans na zawarcie średniej z częstej perspektywy. Moje pytanie jest takie samo, ale z perspektywy prawdopodobieństwa Bayesa.

bayesian confidence-interval

— Rasmus Bååth
źródło

Jednym ze sposobów myślenia o tym jest to, że 95% CI to „średnia długoterminowa”. Teraz istnieje wiele sposobów na podzielenie spraw „krótkookresowych”, aby uzyskać dość arbitralny zasięg - ale po uśrednieniu daj 95% całości. Innym, bardziej abstrakcyjnym sposobem jest generowanie

x_{i} \sim B e r n o u l l i (p_{i})

$x_i\sim Bernoulli (p_i)$ dla

i = 1, 2, \dots

$i=1, 2,\dots$ tak, że

\sum_{i = 1}^{\infty} p_{i} = 0.95

$\sum_{i=1}^{\infty} p_i=0.95$ . Istnieje nieskończona liczba sposobów, aby to zrobić. Tutaj

x_{i}

$x_i$ wskazuje, czy CI utworzony za pomocą i-tego zestawu danych zawiera parametr, a

p_{i}

$p_i$ jest prawdopodobieństwem pokrycia dla tego przypadku.

— probabilityislogic

11

Aktualizacja : Korzystając z kilkuletniej perspektywy, napisałem bardziej zwięzłe traktowanie zasadniczo tego samego materiału w odpowiedzi na podobne pytanie.

Jak zbudować region zaufania

Zacznijmy od ogólnej metody konstruowania regionów zaufania. Można go zastosować do pojedynczego parametru, aby uzyskać przedział ufności lub zestaw przedziałów; i można go zastosować do dwóch lub więcej parametrów, aby uzyskać regiony o wyższym wymiarze.

Twierdzimy, że obserwowane statystyki $D$ pochodzą z rozkładu o parametrach $\theta$ , a mianowicie z rozkładu próbkowania $s(d|\theta)$ względem możliwych statystyk $d$ , i szukają regionu ufności dla $\theta$ w zbiorze możliwych wartości $\Theta$ . Zdefiniuj region o największej gęstości (HDR): $h$ HDR pliku PDF jest najmniejszym podzbiorem jego domeny, który obsługuje prawdopodobieństwo $h$ . Oznaczmy $h$ -HDR o $s(d|\psi)$ jak $H_\psi$ dla każdej $\psi \in \Theta$ . Następnieregion ufności $h$ dla $\theta$ , przy danych $D$ , jest zbiorem $C_D = \{ \phi : D \in H_\phi \}$ . Typowa wartość $h$ wynosiłaby 0,95.

Interpretacja częsty

Z poprzedniej definicji regionu ufności wynika

d \in H_{ψ} ⟷ ψ \in C_{d}

$d \in H_\psi \longleftrightarrow \psi \in C_d$ z

C_{d} = {ϕ : d \in H_{ϕ}}

$C_d = \{ \phi : d \in H_\phi \}$ . Teraz wyobraź sobie duży zestaw ( wyimaginowane ) obserwacje

{D_{i}}

$\{D_i\}$ , podjęte w podobnych okolicznościach do

D

$D$ . tzn. są to próbki z

s (d | θ)

$s(d|\theta)$ . Ponieważ

H_{θ}

$H_\theta$ podpory prawdopodobieństwa masy

h

$h$ z PDF

s (d | θ)

$s(d|\theta)$ ,

P (D_{i} \in H_{θ}) = h

$P(D_i \in H_\theta) = h$ dla wszystkich

i

$i$ . Dlatego ułamek

{D_{i}}

$\{D_i\}$ dla którego

D_{i} \in H_{θ}

$D_i \in H_\theta$ jest

h

$h$ . I tak, stosując powyższą równoważność, ułamek

{D_{i}}

$\{D_i\}$ dla którego

θ \in C_{D_{i}}

$\theta \in C_{D_i}$ jest również

h

$h$ .

To właśnie dlatego częste twierdzenie o regionie ufności $h$ dla $\theta$ wynosi:

Weź dużą liczbę wyimaginowanych obserwacji $\{D_i\}$ z dystrybucji Sampling $s(d|\theta)$ , które doprowadziły do obserwowanej statystyki $D$ . Zatem $\theta$ leży w obrębie ułamka $h$ analogicznych, ale urojonych regionów ufności $\{C_{D_i}\}$ .

Region zaufanie $C_D$ zatem nie wnosić żadnych roszczeń o prawdopodobieństwie, że $\theta$ leży gdzieś! Powodem jest po prostu to, że w składzie nie ma niczego, co pozwalałoby mówić o rozkładzie prawdopodobieństwa dla $\theta$ . Interpretacja jest tylko rozbudowaną nadbudową, która nie poprawia bazy. Podstawą są tylko $s(d | \theta)$ i $D$ , gdzie $\theta$ nie pojawia się jako ilość rozproszona i nie ma informacji, których moglibyśmy użyć, aby to rozwiązać. Istnieją w zasadzie dwa sposoby uzyskania dystrybucji na $\theta$ :

Przypisz rozkład bezpośrednio z dostępnych informacji: $p(\theta | I)$ .
Odwołaj $\theta$ do innej dystrybuowanej wielkości: $p(\theta | I) = \int p(\theta x | I) dx = \int p(\theta | x I) p(x | I) dx$ .

W obu przypadkach $\theta$ musi być gdzieś po lewej stronie. Częstokroć nie mogą stosować żadnej z tych metod, ponieważ obie wymagają heretyckiego uprzedzenia.

Widok bayesowski

Najbardziej Bayesowski może z $h$ obszar ufności $C_D$ , biorąc bez zastrzeżeń, jest tylko bezpośrednie interpretacja że zestaw $\phi$ dla którego $D$ mieści się w $h$ -HDR $H_\phi$ rozkładu typu sampling distribution $s(d|\phi)$ . To niekoniecznie mówi nam wiele o $\theta$ i oto dlaczego.

Prawdopodobieństwo, że $\theta \in C_D$ , biorąc pod uwagę $D$ i informacje podstawowe $I$ , wynosi:

\begin{aligned} P (θ \in C_{D} | D I) & = \int_{C_{D}} p (θ | D I) d θ \\ = \int_{C_{D}} \frac{p (D | θ I) p (θ | I)}{p (D | I)} d θ \end{aligned}

$\begin{align*} P(\theta \in C_D | DI) &= \int_{C_D} p(\theta | DI) d\theta \\ &= \int_{C_D} \frac{p(D | \theta I) p(\theta | I)}{p(D | I)} d\theta \end{align*}$ Zwróć uwagę, że w przeciwieństwie do interpretacji częstokroć, natychmiast zażądaliśmy podziału na

θ

$\theta$ . Podstawowe informacje, które

I

$I$ , jak poprzednio, że rozkład próbkowania jest

s (d | θ)

$s(d | \theta)$ :

\begin{aligned} P (θ \in C_{D} | D I) & = \int_{C_{D}} \frac{s (D | θ) p (θ | I)}{p (D | I)} d θ \\ = \frac{\int_{C_{D}} s (D | θ) p (θ | I) d θ}{p (D | I)} \\ i.e. P (θ \in C_{D} | D I) & = \frac{\int_{C_{D}} s (D | θ) p (θ | I) d θ}{\int s (D | θ) p (θ | I) d θ} \end{aligned}

$\begin{align*} P(\theta \in C_D | DI) &= \int_{C_D} \frac{s(D | \theta) p(\theta | I)}{p(D | I)} d \theta \\ &= \frac{\int_{C_D} s(D | \theta) p(\theta | I) d\theta}{p(D | I)} \\ \text{i.e.} \quad\quad P(\theta \in C_D | DI) &= \frac{\int_{C_D} s(D | \theta) p(\theta | I) d\theta}{\int s(D | \theta) p(\theta | I) d\theta} \end{align*}$ Now this expression does not in general evaluate to

h

$h$ , which is to say, the

h

$h$ confidence region

C_{D}

$C_D$ does not always contain

θ

$\theta$ with probability

h

$h$ . In fact it can be starkly different from

h

$h$ . There are, however, many common situations in which it does evaluate to

h

$h$ , which is why confidence regions are often consistent with our probabilistic intuitions.

For example, suppose that the prior joint PDF of $d$ and $\theta$ is symmetric in that $p_{d,\theta}(d,\theta | I) = p_{d,\theta}(\theta,d | I)$ . (Clearly this involves an assumption that the PDF ranges over the same domain in $d$ and $\theta$ .) Then, if the prior is $p(\theta | I) = f(\theta)$ , we have $s(D | \theta) p(\theta | I) = s(D | \theta) f(\theta) = s(\theta | D) f(D)$ . Hence

\begin{aligned} P (θ \in C_{D} | D I) & = \frac{\int_{C_{D}} s (θ | D) d θ}{\int s (θ | D) d θ} \\ i.e. P (θ \in C_{D} | D I) & = \int_{C_{D}} s (θ | D) d θ \end{aligned}

$\begin{align*} P(\theta \in C_D | DI) &= \frac{\int_{C_D} s(\theta | D) d\theta}{\int s(\theta | D) d\theta} \\ \text{i.e.} \quad\quad P(\theta \in C_D | DI) &= \int_{C_D} s(\theta | D) d\theta \end{align*}$ From the definition of an HDR we know that for any

ψ \in Θ

$\psi \in \Theta$

\begin{aligned} \int_{H_{ψ}} s (d | ψ) d d & = h \\ and therefore that \int_{H_{D}} s (d | D) d d & = h \\ or equivalently \int_{H_{D}} s (θ | D) d θ & = h \end{aligned}

$\begin{align*} \int_{H_\psi} s(d | \psi) dd &= h \\ \text{and therefore that} \quad\quad \int_{H_D} s(d | D) dd &= h \\ \text{or equivalently} \quad\quad \int_{H_D} s(\theta | D) d\theta &= h \end{align*}$ Therefore, given that

s (d | θ) f (θ) = s (θ | d) f (d)

$s(d | \theta) f(\theta) = s(\theta | d) f(d)$ ,

C_{D} = H_{D}

$C_D = H_D$ implies

P (θ \in C_{D} | D I) = h

$P(\theta \in C_D | DI) = h$ . The antecedent satisfies

C_{D} = H_{D} ⟷ \forall ψ [ψ \in C_{D} \leftrightarrow ψ \in H_{D}]

$C_D = H_D \longleftrightarrow \forall \psi \; [ \psi \in C_D \leftrightarrow \psi \in H_D ]$ Applying the equivalence near the top:

C_{D} = H_{D} ⟷ \forall ψ [D \in H_{ψ} \leftrightarrow ψ \in H_{D}]

$C_D = H_D \longleftrightarrow \forall \psi \; [ D \in H_\psi \leftrightarrow \psi \in H_D ]$ Thus, the confidence region

C_{D}

$C_D$ contains

θ

$\theta$ with probability

h

$h$ if for all possible values

ψ

$\psi$ of

θ

$\theta$ , the

h

$h$ -HDR of

s (d | ψ)

$s(d | \psi)$ contains

D

$D$ if and only if the

h

$h$ -HDR of

s (d | D)

$s(d | D)$ contains

ψ

$\psi$ .

Now the symmetric relation $D \in H_\psi \leftrightarrow \psi \in H_D$ is satisfied for all $\psi$ when $s(\psi + \delta | \psi) = s(D - \delta | D)$ for all $\delta$ that span the support of $s(d | D)$ and $s(d | \psi)$ . We can therefore form the following argument:

$s(d | \theta) f(\theta) = s(\theta | d) f(d)$ (premise)
$\forall \psi \; \forall \delta \; [ s(\psi + \delta | \psi) = s(D - \delta | D) ]$ (premise)
$\forall \psi \; \forall \delta \; [ s(\psi + \delta | \psi) = s(D - \delta | D) ] \longrightarrow \forall \psi \; [ D \in H_\psi \leftrightarrow \psi \in H_D ]$
$\therefore \quad \forall \psi \; [ D \in H_\psi \leftrightarrow \psi \in H_D ]$
$\forall \psi \; [ D \in H_\psi \leftrightarrow \psi \in H_D ] \longrightarrow C_D = H_D$
$\therefore \quad C_D = H_D$
$[s(d | \theta) f(\theta) = s(\theta | d) f(d) \wedge C_D = H_D] \longrightarrow P(\theta \in C_D | DI) = h$
$\therefore \quad P(\theta \in C_D | DI) = h$

Let's apply the argument to a confidence interval on the mean of a 1-D normal distribution $(\mu, \sigma)$ , given a sample mean $\bar{x}$ from $n$ measurements. We have $\theta = \mu$ and $d = \bar{x}$ , so that the sampling distribution is

s (d | θ) = \frac{\sqrt{n}}{σ \sqrt{2 π}} e^{- \frac{n}{2 σ^{2}} {(d - θ)}^{2}}

$s(d | \theta) = \frac{\sqrt{n}}{\sigma \sqrt{2 \pi}} e^{-\frac{n}{2 \sigma^2} { \left( d - \theta \right) }^2 }$ Suppose also that we know nothing about

θ

$\theta$ before taking the data (except that it's a location parameter) and therefore assign a uniform prior:

f (θ) = k

$f(\theta) = k$ . Clearly we now have

s (d | θ) f (θ) = s (θ | d) f (d)

$s(d | \theta) f(\theta) = s(\theta | d) f(d)$ , so the first premise is satisfied. Let

s (d | θ) = g ((d - θ)^{2})

$s(d | \theta) = g\left( (d - \theta)^2 \right)$ . (i.e. It can be written in that form.) Then

\begin{matrix} s (ψ + δ | ψ) = g ((ψ + δ - ψ)^{2}) = g (δ^{2}) \\ and s (D - δ | D) = g ((D - δ - D)^{2}) = g (δ^{2}) \\ so that \forall ψ \forall δ [s (ψ + δ | ψ) = s (D - δ | D)] \end{matrix}

$\begin{gather*} s(\psi + \delta | \psi) = g \left( (\psi + \delta - \psi)^2 \right) = g(\delta^2) \\ \text{and} \quad\quad s(D - \delta | D) = g \left( (D - \delta - D)^2 \right) = g(\delta^2) \\ \text{so that} \quad\quad \forall \psi \; \forall \delta \; [s(\psi + \delta | \psi) = s(D - \delta | D)] \end{gather*}$ whereupon the second premise is satisfied. Both premises being true, the eight-point argument leads us to conclude that the probability that

θ

$\theta$ lies in the confidence interval

C_{D}

$C_D$ is

h

$h$ !

We therefore have an amusing irony:

The frequentist who assigns the $h$ confidence interval cannot say that $P(\theta \in C_D) = h$ , no matter how innocently uniform $\theta$ looks before incorporating the data.
The Bayesian who would not assign an $h$ confidence interval in that way knows anyhow that $P(\theta \in C_D | DI) = h$ .

Final Remarks

We have identified conditions (i.e. the two premises) under which the $h$ confidence region does indeed yield probability $h$ that $\theta \in C_D$ . A frequentist will baulk at the first premise, because it involves a prior on $\theta$ , and this sort of deal-breaker is inescapable on the route to a probability. But for a Bayesian, it is acceptable---nay, essential. These conditions are sufficient but not necessary, so there are many other circumstances under which the Bayesian $P(\theta \in C_D | DI)$ equals $h$ . Equally though, there are many circumstances in which $P(\theta \in C_D | DI) \ne h$ , especially when the prior information is significant.

We have applied a Bayesian analysis just as a consistent Bayesian would, given the information at hand, including statistics $D$ . But a Bayesian, if he possibly can, will apply his methods to the raw measurements instead---to the $\{x_i\}$ , rather than $\bar{x}$ . Oftentimes, collapsing the raw data into summary statistics $D$ destroys information in the data; and then the summary statistics are incapable of speaking as eloquently as the original data about the parameters $\theta$ .

— CarbonFlambe--Reinstate Monica
źródło

Would it be correct to say that a Bayesian is committed to take all the available information into account, while interpretation given in the question ignored D in some sense?

— qbolec

Is it a good mental picture to illustrate the situation: imagine a grayscale image, where intensity of pixel x,y is the joint ppb of real param being y and observed stat being x. In each row y, we mark pixels which have 95% mass of the row. For each observed stat x, we define CI(x) to be the set of rows which have marked pixels in column x. Now, if we choose x,y randomly then CI(x) will contain y iff x,y was marked, and mass of marked pixels is 95% for each y. So, frequentists say that keeping y fixed, chance is 95%, OP says, that not fixing y also gives 95%, and bayesians fix y and don't know

— qbolec

@qbolec It is correct to say that in the Bayesian method one cannot arbitrarily ignore some information while taking account of the rest. Frequentists say that for all

y

$y$ the expectation of

y \in C I (x)

$y \in \mathrm{CI}(x)$ (as a Boolean integer) under the sampling distribution

p r o b (x | y, I)

$\mathrm{prob}(x\, |\, y, I)$ is 0.95. The frequentist 0.95 is not a probability but an expectation.

— CarbonFlambe--Reinstate Monica

6

from a Bayesian probability perspective, why doesn't a 95% confidence interval contain the true parameter with 95% probability?

Two answers to this, the first being less helpful than the second

There are no confidence intervals in Bayesian statistics, so the question doesn't pertain.
In Bayesian statistics, there are however credible intervals, which play a similar role to confidence intervals. If you view priors and posteriors in Bayesian statistics as quantifying the reasonable belief that a parameter takes on certain values, then the answer to your question is yes, a 95% credible interval represents an interval within which a parameter is believed to lie with 95% probability.

If I have a process that I know produces a correct answer 95% of the time then the probability of the next answer being correct is 0.95 (given that I don't have any extra information regarding the process).

yes, the process guesses a right answer with 95% probability

Similarly if someone shows me a confidence interval that is created by a process that will contain the true parameter 95% of the time, should I not be right in saying that it contains the true parameter with 0.95 probability, given what I know?

Just the same as your process, the confidence interval guesses the correct answer with 95% probability. We're back in the world of classical statistics here: before you gather the data you can say there's a 95% probability of randomly gathered data determining the bounds of the confidence interval such that the mean is within the bounds.

With your process, after you've gotten your answer, you can't say based on whatever your guess was, that the true answer is the same as your guess with 95% probability. The guess is either right or wrong.

And just the same as your process, in the confidence interval case, after you've gotten the data and have an actual lower and upper bound, the mean is either within those bounds or it isn't, i.e. the chance of the mean being within those particular bounds is either 1 or 0. (Having skimmed the question you refer to it seems this is covered in much more detail there.)

How to interpret a confidence interval given to you if you subscribe to a Bayesian view of probability.

There are a couple of ways of looking at this

Technically, the confidence interval hasn't been produced using a prior and Bayes theorem, so if you had a prior belief about the parameter concerned, there would be no way you could interpret the confidence interval in the Bayesian framework.
Another widely used and respected interpretation of confidence intervals is that they provide a "plausible range" of values for the parameter (see, e.g., here). This de-emphasises the "repeated experiments" interpretation.

Moreover, under certain circumstances, notably when the prior is uninformative (doesn't tell you anything, e.g. flat), confidence intervals can produce exactly the same interval as a credible interval. In these circumstances, as a Bayesianist you could argue that had you taken the Bayesian route you would have gotten exactly the same results and you could interpret the confidence interval in the same way as a credible interval.

— TooTone
źródło

but for sure confidence intervals exist even if I subscribe to a bayesian view of probability, they just wont dissapear, right? :)The situation I was asking about was how to interpret a confidence interval given to you if you subscribe to a Bayesian view of probability.

— Rasmus Bååth

The problem is that confidence intervals aren't produced using a Bayesian methodology. You don't start with a prior. I'll edit the post to add something which might help.

— TooTone

2

I'll give you an extreme example where they are different.

Suppose I create my 95% confidence interval for a parameter $\theta$ as follows. Start by sampling the data. Then generate a random number between $0$ and $1$ . Call this number $u$ . If $u$ is less than $0.95$ then return the interval $(-\infty,\infty)$ . Otherwise return the "null" interval.

Now over continued repititions, 95% of the CIs will be "all numbers" and hence contain the true value. The other 5% contain no values, hence have zero coverage. Overall, this is a useless, but technically correct 95% CI.

The Bayesian credible interval will be either 100% or 0%. Not 95%.

— probabilityislogic
źródło

So is it correct to say that before seeing a confidence interval there is a 95% probability that it will contain the true parameter, but for any given confidence interval the probability that it covers the true parameter depends on the data (and our prior)? To be honest, what I'm really struggling with is how useless confidence intervals sounds (credible intervals I like on the other hand) and the fact that I never the less will have to teach them to our students next week... :/

— Rasmus Bååth

This question has some more examples, plus a very good paper comparing the two approaches

— probabilityislogic

1

"from a Bayesian probability perspective, why doesn't a 95% confidence interval contain the true parameter with 95% probability? "

In Bayesian Statistics the parameter is not a unknown value, it is a Distribution. There is no interval containing the "true value", for a Bayesian point of view it does not even make sense. The parameter it's a random variable, you can perfectly know the probability of that value to be between x_inf an x_max if you know the distribuition. It's just a diferent mindset about the parameters, usually Bayesians used the median or average value of the distribuition of the parameter as a "estimate". There is not a confidence interval in Bayesian Statistics, something similar is called credibility interval.

Now from a frequencist point of view, the parameter is a "Fixed Value", not a random variable, can you really obtain probability interval (a 95% one) ? Remember that it's a fixed value not a random variable with a known distribution. Thats why you past the text :"A confidence interval does not predict that the true value of the parameter has a particular probability of being in the confidence interval given the data actually obtained."

The idea of repeating the experience over and over... is not Bayesian reasoning it's a Frequencist one. Imagine a real live experiment that you can only do once in your life time, can you/should you built that confidence interval (from the classical point of view )?.

But... in real life the results could get pretty close ( Bayesian vs Frequencist), maybe thats why It could be confusing.

— blew
źródło