Ý tưởng cơ bản của Bayesian cập nhật được rằng đưa ra một số dữ liệu X và trước khi thông số trên của lãi θ , nơi mà các mối quan hệ giữa dữ liệu và tham số được mô tả bằng khả năng chức năng, bạn sử dụng định lý Bayes để có được sau
p(θ∣X)∝p(X∣θ)p(θ)
Điều này có thể được thực hiện tuần tự, nơi sau khi nhìn thấy điểm dữ liệu đầu tiên x1 trước θ trở nên cập nhật để sau θ′ , tiếp theo bạn có thể mất điểm dữ liệu thứ hai x2 và sử dụng sau thu được trước khi θ′ như của bạn trước , để cập nhật nó một lần nữa, vv
Tôi sẽ cho bạn một ví dụ. Hãy tưởng tượng rằng bạn muốn ước tính trung bình μ phân phối bình thường và σ2 được biết đến với bạn. Trong trường hợp như vậy chúng ta có thể sử dụng mô hình bình thường-bình thường. Chúng tôi giả định bình thường trước khi cho μ với siêu tham số μ0,σ20:
X∣μμ∼Normal(μ, σ2)∼Normal(μ0, σ20)
Kể từ phân phối chuẩn là một liên hợp trước cho của phân phối chuẩn, chúng tôi đã đóng dạng giải pháp để cập nhật trướcμ
E(μ′∣x)Var(μ′∣x)=σ2μ+σ20xσ2+σ20=σ2σ20σ2+σ20
Thật không may, các giải pháp dạng đóng đơn giản như vậy không có sẵn cho các vấn đề phức tạp hơn và bạn phải dựa vào các thuật toán tối ưu hóa (để ước tính điểm bằng cách sử dụng tối đa phương pháp posteriori ) hoặc mô phỏng MCMC.
Dưới đây bạn có thể xem ví dụ dữ liệu:
n <- 1000
set.seed(123)
x <- rnorm(n, 1.4, 2.7)
mu <- numeric(n)
sigma <- numeric(n)
mu[1] <- (10000*x[i] + (2.7^2)*0)/(10000+2.7^2)
sigma[1] <- (10000*2.7^2)/(10000+2.7^2)
for (i in 2:n) {
mu[i] <- ( sigma[i-1]*x[i] + (2.7^2)*mu[i-1] )/(sigma[i-1]+2.7^2)
sigma[i] <- ( sigma[i-1]*2.7^2 )/(sigma[i-1]+2.7^2)
}
Nếu bạn vẽ kết quả, bạn sẽ thấy hậu thế tiếp cận giá trị ước tính (giá trị thực của nó được đánh dấu bằng đường màu đỏ) khi dữ liệu mới được tích lũy.
Để tìm hiểu thêm, bạn có thể kiểm tra các slide đó và phân tích Conjugate Bayesian của bài phân phối Gaussian của Kevin P. Murphy. Kiểm tra các linh mục Bayes có trở nên không liên quan với cỡ mẫu lớn không? Bạn cũng có thể kiểm tra các ghi chú và mục blog này để biết giới thiệu từng bước có thể truy cập về suy luận Bayes.