Trong trường hợp cụ thể, không gian tham số là hữu hạn hoặc vô hạn vô hạn tổn thất sau liên quan đến mất chỉ số bằng với xác suất sai và nó được giảm thiểu khi xác suất sau là đúng được tối đa hóa. Điều này có nghĩa là là chế độ phân phối sau hoặc MAP.Θ
Θ={θ1,θ2,…}
P(θ^≠θ|x)P(θ^=θ|x)θ^
Tuy nhiên, sự kết hợp giữa mất MAP và này là một "định lý dân gian" ở chỗ nó không chính xác trong hầu hết các cài đặt, nghĩa là nó không giữ cho các không gian tham số liên tục trong đó cho tất cả và nó mâu thuẫn hơn nữa với kết quả của Druihlet và Marin (BA, 2007), người chỉ ra rằng MAP cuối cùng phụ thuộc vào sự lựa chọn của biện pháp thống trị. (Mặc dù biện pháp Lebesgue được chọn hoàn toàn làm mặc định.)0−1P(θ^=θ|x)=0θ^
Chẳng hạn, Evans và Jang đã đăng một bài báo arXiv vào năm 2011 khi họ thảo luận về mối liên hệ giữa MAP, các công cụ ước tính ít bất ngờ nhất (hoặc khả năng hồ sơ tối đa) và các hàm mất mát. Cốt lõi của vấn đề là cả những người ước tính MAP và MLE đều không thực sự được chứng minh bằng cách tiếp cận lý thuyết quyết định, ít nhất là trong một không gian tham số liên tục. Và rằng biện pháp thống trị [tùy ý] được chọn trên không gian tham số ảnh hưởng đến giá trị của MAP, như được trình bày bởi Druihlet và Marin năm 2007. Chúng bắt đầu trong trường hợp hữu hạn với hàm mất
L(θ,d)=I{Ψ(θ)≠d)/πΨ(Ψ(θ))
trong đó họ xem xét ước lượng của biến đổi (θ) theo d, trọng số nghịch đảo của biên trước khi biến đổi này. Trong trường hợp đặc biệt của biến đổi danh tính, hàm mất mát này dẫn đến MLE là công cụ ước tính Bayes. Trong trường hợp chung, công cụ ước tính Bayes là công cụ ước tính khả năng hồ sơ tối đa (LRSE). Tuy nhiên, hàm mất mát này không khái quát thành các không gian tham số vô hạn (và rõ ràng là liên tục) và trong các cài đặt như vậy, các tác giả chỉ có thể cung cấp các LRSE như giới hạn của các thủ tục Bayes. Hàm mất được áp dụng trong trường hợp đếm được là ví dụ
L(θ,d)=I{Ψ(θ)≠d}/max{η,πΨ(Ψ(θ))}
với giới hạn giảm về không. Trong trường hợp liên tục, chỉ báo không còn hoạt động nữa, do đó, sự lựa chọn của các tác giả là loại bỏ khoảng trống (Θ) bằng một lựa chọn cụ thể của một phân vùng các quả bóng có đường kính về không. Theo tinh thần của Druihlet và Marin, sự lựa chọn này phụ thuộc vào một số liệu (và các điều kiện đều đặn hơn). Hơn nữa, bản thân LRSE
không phụ thuộc vào phiên bản được chọn cho mật độ (nếu không dựa trên thước đo thống trị), trừ khi một áp đặt ở mọi nơi đẳng thức Bayes
ở mọi nơi, khi
và
maxψπψ(ψ|x)/πψ(θ)
πψ(ψ|x)/πψ(θ)=f(x|ψ)/m(x)
f(x|ψ)=∫{θ;Ψ(θ)=ψ}f(x|θ)π(θ)dθ
m(x)=∫f(x|θ)π(θ)dθ
theo tinh thần của
bài báo nghịch lý Savage-Dickey của
chúng tôi .
Robert Bassett và Julio Deride đã tạo ra một bài báo vào năm 2016 thảo luận về vị trí của MAP trong lý thuyết quyết định của Bayes.
Chúng tôi cung cấp một ví dụ về khái niệm ước tính thường được chấp nhận của các công cụ ước tính MAP như là một giới hạn của các công cụ ước tính Bayes có tổn thất 0-1.
Các tác giả đề cập đến cuốn sách Sự lựa chọn Bayes của tôi nêu rõ tài sản này mà không cần đề phòng thêm và tôi hoàn toàn đồng ý là bất cẩn trong vấn đề này! Khó khăn là giới hạn của các maximisers không nhất thiết là maximiser của giới hạn. Bài viết bao gồm một ví dụ cho hiệu ứng này, với một ưu tiên như trên, liên quan đến phân phối lấy mẫu không phụ thuộc vào tham số. Các điều kiện đủ được đề xuất trong đó là mật độ sau gần như chắc chắn phù hợp hoặc quasiconcave.
Xem thêm một đặc tính thay thế của các công cụ ước tính MAP của Burger và Lucka như các công cụ ước tính Bayes thích hợp dưới một loại hàm mất mát khác , mặc dù là một công cụ khá giả tạo. Các tác giả của bài báo được tạo ra này bắt đầu với một khoảng cách dựa trên trước đó; được gọi là khoảng cách Bregman, có thể là khoảng cách bậc hai hoặc khoảng cách entropy tùy thuộc vào trước. Xác định hàm mất kết hợp giữa khoảng cách Bregman này và khoảng cách bậc hai
||K(u^−u)||2+2Dπ(u^,u)
tạo ra MAP như công cụ ước tính Bayes. Người ta vẫn có thể tự hỏi về biện pháp thống trị nhưng cả chức năng mất và công cụ ước tính kết quả rõ ràng phụ thuộc vào sự lựa chọn của biện pháp thống trị (Sự mất mát phụ thuộc vào trước nhưng đây không phải là nhược điểm.