Я слышал, что Джейнс утверждает, что часто работающие работают с «неявным априором».
Каковы или являются эти неявные приоры? Означает ли это, что модели для частых - все это особые случаи байесовских моделей, которые ждут своего появления?
Я слышал, что Джейнс утверждает, что часто работающие работают с «неявным априором».
Каковы или являются эти неявные приоры? Означает ли это, что модели для частых - все это особые случаи байесовских моделей, которые ждут своего появления?
Ответы:
В теории принятия частых решений существуют полные результаты класса, которые характеризуют допустимые процедуры как байесовские процедуры или как пределы байесовских процедур. Например, необходимое и достаточное условие Штейна (Stein. 1955; Farrell, 1968b) гласит, что при следующих допущениях
оценка допустима тогда и только тогда, когда существует
последовательность байесовских оценок, связанных с такая, что
[воспроизведено из моей книги « Байесовский выбор» , теорема 8.3.0, с.407]
В этом ограниченном смысле частое свойство допустимости наделено байесовским фоном, следовательно, ассоциируется неявный априор (или его последовательность) с каждым допустимым оценщиком.
Примечание: 25 ноября Чарльз Стейн скончался в Пало-Альто, штат Калифорния. Ему было 96 лет.
Существует аналогичный (если математически вовлеченный) результат для инвариантной или эквивариантной оценки, а именно, что лучшим эквивариантным оценщиком является оценка Байеса для каждой транзитивной группы, действующей на статистической модели, связанной с правильной индуцированной мерой Хаара, , индуцированной на этой группой и соответствующей инвариантной потерей. См. Pitman (1939), Stein (1964) или Zidek (1969) для получения подробной информации. Это, скорее всего, то, что имел в виду Джейнс , когда он решительно спорил о разрешении парадоксов маргинализации с помощью принципов инвариантности .
Кроме того, как подробно описано в ответе civilstat , другое частое понятие оптимальности, а именно минимаксности, также связано с байесовскими процедурами в том смысле, что минимаксная процедура, минимизирующая максимальную ошибку (в пространстве параметров), часто является процедурой maximin, которая максимизирует минимальную ошибку ( по всем предыдущим распределениям), следовательно, является байесовской или лимитной байесовской процедурой (процедурами).
В .: Есть ли содержательный вынос, который я могу использовать, чтобы передать свою байесовскую интуицию частым моделям?
Во-первых, я бы избегал использования термина «модель частых лиц», поскольку существуют модели выборки (данные представляют собой реализацию для значения параметра ) и процедуры частых процедур (лучшая объективная оценка, минимум доверительный интервал отклонений и т. д.)Во-вторых, я не вижу убедительной методологической или теоретической причины для того, чтобы рассматривать методы частых исследований как пограничные или ограничивающие методы Байеса. Обоснование частой процедуре, когда она существует, состоит в удовлетворении некоторого свойства оптимальности в пространстве выборки, то есть при повторении наблюдений. Основное обоснование байесовских процедур должно быть оптимальным [по определенному критерию или функции потерь] с учетом предварительного распределения и одной реализации из модели выборки. Иногда, в результате чего процедура , удовлетворяют некоторое свойство частотного ( заслуживающего доверие региона% является доверительной областью%) , но это случайность в том , что эта оптимальность не переносит все процедуры , связанные с байесовской моделью.
@ Сиань ответ более полный. Но так как вы также попросили емкую еду на вынос, вот один. (Концепции, которые я упоминаю, не совсем совпадают с приведенными выше настройками допустимости.)
Частые пользователи часто (но не всегда) любят использовать оценки, которые являются «минимаксными»: если я хочу оценить , риск худшего случая моего оценщика должен быть лучше, чем риск худшего случая любого другого оценщика , Оказывается, MLE часто (приблизительно) минимаксны. Смотрите подробности, например, здесь или здесь .
Чтобы найти минимаксную оценку для задачи, один из способов - на мгновение подумать о байесовском и найти «наименее благоприятный априор» . Это первоисточник, чей байесовский оценщик имеет более высокий средний риск, чем любой другой априорный оценщик Байеса. Если вы можете найти его, то оказывается, что оценка Байеса 'является минимаксной.
В этом смысле вы могли бы вкратце сказать: «Частотник с минимаксным использованием» подобен байесовскому, который выбрал (точечная оценка на основе) наименее благоприятный априор.
Может быть, вы могли бы растянуть это, чтобы сказать: такой часто встречающийся является консервативным байесовским, выбирая не субъективные приоры или даже неинформативные приоры, но (в этом конкретном смысле) наихудшие приоры.
И наконец, как уже говорили другие, сравнивать фрекалистов и байесовцев довольно сложно. Быть частым не обязательно означает, что вы используете определенную оценку. Это просто означает, что вы задаете вопросы о свойствах выборки вашего оценщика, тогда как эти вопросы не являются главным приоритетом Байеса. (Таким образом, любой байесовец, который надеется на хорошие свойства выборки, например, «откалиброванный байесовский» , также является Frequentist.)
Даже если вы определяете Frequentist как тот, чьи оценки всегда имеют оптимальные свойства выборки, таких свойств много, и вы не можете всегда встретить их всех сразу. Поэтому сложно говорить вообще о «всех моделях Frequentist».