Đây là một thuật ngữ đặc biệt từ Bayes theo kinh nghiệm (EB), trên thực tế, khái niệm mà nó đề cập đến không tồn tại trong suy luận Bayes thực sự. Thuật ngữ ban đầu là "sức mạnh vay mượn", được John Tukey đặt ra từ những năm 1960 và được Bradley Efron và Carl Morris phổ biến hơn nữa trong một loạt các bài báo thống kê về nghịch lý và EB tham số của Stein trong những năm 1970 và 1980. Hiện nay nhiều người sử dụng "mượn thông tin" hoặc "chia sẻ thông tin" làm từ đồng nghĩa cho cùng một khái niệm. Lý do tại sao bạn có thể nghe thấy nó trong bối cảnh của các mô hình hỗn hợp là các phân tích phổ biến nhất cho các mô hình hỗn hợp có một cách hiểu EB.
EB có nhiều ứng dụng và áp dụng cho nhiều mô hình thống kê, nhưng bối cảnh luôn là bạn có một số lượng lớn các trường hợp (có thể độc lập) và bạn đang cố ước tính một tham số cụ thể (như giá trị trung bình hoặc phương sai) trong mỗi trường hợp. Trong suy luận Bayes, bạn đưa ra các suy luận sau về tham số dựa trên cả dữ liệu được quan sát cho từng trường hợp và phân phối trước cho tham số đó. Trong suy luận EB, phân phối trước cho tham số được ước tính từ toàn bộ tập hợp các trường hợp dữ liệu, sau đó suy luận tiến hành như đối với suy luận Bayes. Do đó, khi bạn ước tính tham số cho trường hợp cụ thể, bạn đang sử dụng cả dữ liệu cho trường hợp đó và cả phân phối ước tính trước và sau đó đại diện cho "thông tin" hoặc "cường độ"
Bây giờ bạn có thể thấy tại sao EB "mượn" nhưng Bayes thực sự thì không. Trong Bayes thực, phân phối trước đã tồn tại và do đó không cần phải xin hoặc mượn. Trong EB, phân phối trước đã được tạo từ chính dữ liệu được quan sát. Khi chúng tôi suy luận về một trường hợp cụ thể, chúng tôi sử dụng tất cả các thông tin quan sát được từ trường hợp đó và một ít thông tin từ mỗi trường hợp khác. Chúng tôi nói rằng đó chỉ là "mượn", bởi vì thông tin được cung cấp lại khi chúng tôi chuyển sang suy luận về trường hợp tiếp theo.
Ý tưởng về EB và "mượn thông tin" được sử dụng rất nhiều trong bộ gen thống kê, khi mỗi "trường hợp" thường là một gen hoặc một đặc điểm bộ gen (Smyth, 2004; Phipson et al, 2016).
Người giới thiệu
Efron, Bradley và Carl Morris. Nghịch lý của Stein trong thống kê. Khoa học Mỹ 236, không. 5 (1977): 119-127. http://statweb.stanford.edu/~ckirby/brad/other/Article1977.pdf
Smyth, GK (2004). Các mô hình tuyến tính và phương pháp Bayes theo kinh nghiệm để đánh giá biểu thức vi phân trong các thí nghiệm microarray. Các ứng dụng thống kê trong Di truyền học và Sinh học phân tử Tập 3, Số 1, Điều 3.
http://www.statsci.org/smyth/pub/ebayes.pdf
Phipson, B, Lee, S, Majewski, IJ, Alexander, WS và Smyth, GK (2016). Ước tính siêu tham số mạnh mẽ bảo vệ chống lại các gen có thể khử được và cải thiện sức mạnh để phát hiện biểu hiện khác biệt. Biên niên sử thống kê ứng dụng 10, 946-963.
http://dx.doi.org/10.1214/16-AOAS920