Mối quan hệ đằng sau Jeffreys Priors và sự biến đổi ổn định phương sai là gì?


17

Tôi đã đọc về Jeffreys trước trên wikipedia: Jeffreys Prior và thấy rằng sau mỗi ví dụ, nó mô tả cách biến đổi ổn định phương sai biến Jeffreys trước thành đồng phục trước.

Ví dụ, đối với trường hợp Bernoulli, nó nói rằng đối với một đồng xu có xác suất , mô hình thử nghiệm Bernoulli mang lại rằng Jeffreys trước cho tham số là:γ[0,1]γ

p(γ)α1γ(1-γ)

Sau đó, nó nói rằng đây là bản phân phối beta với . Nó cũng nói rằng nếu , thì Jeffreys trước cho là đồng nhất trong khoảng .α= =β= =12γ= =tội2(θ)θ[0,π2]

Tôi nhận ra sự biến đổi là sự biến đổi ổn định phương sai. Điều làm tôi bối rối là:

  1. Tại sao một biến đổi ổn định phương sai sẽ dẫn đến một đồng phục trước?

  2. Tại sao chúng ta thậm chí muốn có một bộ đồng phục trước? (vì có vẻ như nó có thể dễ bị sai hơn)

Nói chung, tôi không chắc tại sao phép biến đổi hình vuông được đưa ra và vai trò của nó là gì. Bất cứ ai sẽ có bất kỳ ý tưởng?


2
Tôi sẽ ra ngoài với tư cách là một charlatan tự học bằng cách hỏi điều này, nhưng: bạn đang đề cập đến sự biến đổi ổn định phương sai nào? ? 1tội2(θ)(1-tội2(θ))
Shadowtalker

2
Bình phương sin là quy ước sai cách vòng để nghĩ về sự biến đổi. là căn bậc hai arcsine hoặc biến đổi góc. θ= =arcsinγ
Nick Cox

Câu trả lời:


3

Jeffreys trước là bất biến dưới sự lặp lại. Vì lý do đó, nhiều người Bayes coi đó là một người không có thông tin trước đó. (Hartigan cho thấy rằng có một không gian toàn bộ priors như cho nơi là Jeffreys' trước và là Hartigan của tiệm bất biến tại địa phương trước -. Distributions Trước bất biến ) α + β = 1 J HJαHβα+β=1JH

Đó là một sai lầm thường lặp đi lặp lại rằng đồng phục trước là không có thông tin, nhưng sau khi chuyển đổi tùy ý các tham số của bạn và đồng phục trước các tham số mới có nghĩa là một cái gì đó hoàn toàn khác. Nếu một sự thay đổi tùy ý của tham số hóa ảnh hưởng đến trước của bạn, thì trước đó của bạn rõ ràng là thông tin.

  1. Theo định nghĩa , sử dụng Jeffreys tương đương với việc sử dụng căn hộ trước khi áp dụng biến đổi ổn định phương sai.

  2. Từ quan điểm toán học, sử dụng Jeffreys trước và sử dụng căn hộ trước sau khi áp dụng biến đổi ổn định phương sai là tương đương. Từ quan điểm của con người, cái sau có lẽ đẹp hơn bởi vì không gian tham số trở nên "đồng nhất" theo nghĩa là sự khác biệt đều giống nhau ở mọi hướng cho dù bạn ở đâu trong không gian tham số.

Hãy xem xét ví dụ Bernoulli của bạn. Không có một chút kỳ lạ khi đạt 99% trong bài kiểm tra có cùng khoảng cách đến 90% như 59% là 50%? Sau khi biến đổi ổn định phương sai của bạn, cặp cũ sẽ tách ra nhiều hơn, như chúng nên được. Nó phù hợp với trực giác của chúng ta về khoảng cách thực tế trong không gian. (Về mặt toán học, phép biến đổi ổn định phương sai đang làm cho độ cong của tổn thất log bằng với ma trận danh tính.)


1. Tôi đồng ý rằng trước đồng phục không có nghĩa là "không thông tin" trước, nhưng nhận xét của tôi về việc không định giá một giá trị nhất định so với giá trị khác vẫn giữ (theo tham số cụ thể đó). 2. Tính đúng đắn của một ưu tiên là rất liên quan . Nếu bạn có một dữ liệu không phù hợp trước đó và có dữ liệu, không đảm bảo rằng bạn sẽ có một hậu thế thích hợp. Vì vậy, nó là rất liên quan.
Greenparker

1. Nhưng đó là toàn bộ vấn đề: tham số hóa là tùy ý, do đó, thật vô nghĩa khi nói rằng bạn không định giá một giá trị này hơn một giá trị khác. 2. Trong thực tế, tôi chưa bao giờ thấy nó liên quan. Nó có thể liên quan đến những người khác tôi đoán.
Neil G

1. Điểm công bằng. 2. Tôi không chắc chắn những vấn đề bạn giải quyết, nhưng ngay cả khả năng Gaussian đơn giản với Jeffreys trước cũng có thể có một hậu thế không phù hợp. Xem câu trả lời của tôi ở đây .
Greenparker

@Greenparker Bạn nói đúng. Tôi sẽ làm rõ lý do tại sao nó không liên quan đến tôi trong câu trả lời của tôi.
Neil G

Tôi không nghĩ rằng chỉnh sửa là chính xác. Nếu hậu thế không phù hợp thì MCMC chắc chắn là vô nghĩa vì bạn đang cố rút ra từ một phân phối không xác định. Hãy tưởng tượng bạn đang cố gắng lấy mẫu từ Đồng phục sử dụng bất kỳ chương trình lấy mẫu. Mặc dù, thuật toán MCMC vẫn có thể là ergodic (khi bạn tái phát null), nhưng các mẫu của bạn sẽ vô dụng. (0,)
Greenparker

5

Các Wikipedia trang mà bạn cung cấp không thực sự sử dụng thuật ngữ "chuyển đổi sai-ổn định". Thuật ngữ "biến đổi ổn định phương sai" thường được sử dụng để chỉ ra các biến đổi làm cho phương sai của biến ngẫu nhiên là một hằng số. Mặc dù trong trường hợp Bernoulli, đây là những gì đang xảy ra với sự biến đổi, đó không chính xác là mục tiêu. Mục tiêu là để có được một phân phối thống nhất, và không chỉ là một phương sai ổn định.

Hãy nhớ lại rằng một trong những mục đích chính của việc sử dụng Jeffreys trước đó là nó bất biến khi chuyển đổi. Điều này có nghĩa là nếu bạn tham số lại biến, thì trước đó sẽ không thay đổi.

1.

Các Jeffreys trước trong trường hợp Bernoulli này, như bạn chỉ ra, là một Beta (1/2,1/2)

pγ(γ)1γ(1γ).

Reparametrizing với γ=sin2(θ)θθ=arcsin(γ)0<γ<10<θ<π/2sin2(x)+cos2(x)=1

Fθ(x)= =P(θ<x)= =P(tội2(θ)<tội2(x))= =P(γ<tội2(x))= =Fγ(tội2(x))fθ(x)= =dFγ(tội2(x)dx= =2tội(x)cos(x)pγ(tội2(x))αtội(x)cos(x)1tội2(x)(1-tội2(x))= =1.

θ(0,π/2)tội2(θ)θ

2.

q(θ|x)αf(x|θ)f(θ)αf(x|θ).

(0,π/2)


Ý tưởng này cho rằng bạn "không cam kết với bất kỳ giá trị nào" bằng cách sử dụng khuếch tán trước là sai. Bằng chứng là bạn có thể thực hiện bất kỳ sự biến đổi nào của không gian và sự khuếch tán trước sẽ có nghĩa là một cái gì đó hoàn toàn khác.
Neil G

Nhận xét của tôi về "không cam kết với bất kỳ giá trị nào" chỉ đề cập đến tham số cụ thể đó. Tất nhiên, các phép biến đổi sẽ thay đổi cách phân phối khối lượng (giống như trong ví dụ Bernoulli này).
Greenparker

Giống như tôi đã nói bên dưới bình luận khác của bạn, tham số là tùy ý, đó là lý do tại sao tuyên bố "không cam kết với bất kỳ giá trị nào" là vô nghĩa.
Neil G
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.