Задние прогностические проверки, проще говоря, «моделируют реплицированные данные по подобранной модели и затем сравнивают их с данными наблюдений» ( Gelman and Hill, 2007, p. 158 ). Таким образом, вы используете апостериорный прогноз для «поиска систематических расхождений между реальными и симулированными данными» ( Gelman et al. 2004, p. 169 ).
Аргумент о «двойном использовании данных» заключается в том, что вы используете свои данные для оценки модели, а затем для проверки соответствия модели данным, хотя в целом это плохая идея, и было бы лучше проверить вашу модель на внешних данных. , который не был использован для оценки.
Последующие прогностические проверки полезны при оценке того, дает ли ваша модель «правильные» прогнозы относительно реальности - соответствуют ли они наблюдаемым данным или нет. Это полезный этап построения и проверки модели. Он не дает вам однозначного ответа, если ваша модель «в порядке» или «лучше», чем другая модель, однако, это может помочь вам проверить, имеет ли ваша модель смысл.
Это хорошо описано в LaplacesDemon виньетка байесовского умозаключений :
YрепутацияY
Последующие прогностические проверки (через предикативное распределение) предполагают двойное использование данных, что нарушает принцип правдоподобия. Тем не менее, были высказаны аргументы в пользу апостериорных прогностических проверок при условии, что использование ограничено мерами несоответствия для изучения адекватности модели, а не для сравнения и вывода модели (Meng 1994).
YрепутацияYYYрепутация