Những gì thuộc tính "sâu sắc" là một vấn đề rất chủ quan! vì vậy câu trả lời phụ thuộc vào khái niệm "sâu" của bạn. Nhưng, nếu có các linh mục liên hợp là một tài sản "sâu sắc", theo một nghĩa nào đó, thì ý nghĩa đó là toán học và không thống kê. Lý do duy nhất mà (một số) các nhà thống kê quan tâm đến các linh mục liên hợp là vì họ đơn giản hóa một số tính toán. Nhưng điều đó ít quan trọng hơn cho mỗi ngày trôi qua!
EDIT
Đang cố gắng trả lời bình luận @whuber bên dưới. Đầu tiên, một câu trả lời cần hỏi chính xác hơn một gia đình linh mục liên hợp là gì? Nó có nghĩa là một gia đình được đóng trong lấy mẫu, vì vậy, (đối với mô hình lấy mẫu đã cho), các phân phối trước và sau thuộc về cùng một họ. Điều đó rõ ràng đúng với gia đình của tất cả các bản phân phối, nhưng cách giải thích đó khiến câu hỏi không có nội dung, vì vậy chúng tôi cần một cách giải thích hạn chế hơn. Furteh, như Diaconis & Ylvisaker đã chỉ ra , cho mô hình nhị thức, nếu chúng ta để là hàm dương giới hạn trên và là mật độ beta thì[ 0 , 1 ] f ( p ; α , β ) h ( p ) f ( p ; α , β )h[0,1]f(p;α,β)h(p)f(p;α,β)là một liên hợp trước. Nó thiếu một số tính chất của liên hợp beta thông thường trước đó, nhưng họ mà nó tạo ra được đóng lại dưới dạng lấy mẫu, vì vậy một liên hợp trước. Chúng tôi không nhận được các công thức đóng tốt đẹp, nhưng chúng tôi chỉ cần một tích hợp số để có được hằng số chuẩn hóa.
Bây giờ, mật độ trước beta thông thường có một thuộc tính quan trọng nữa: Kỳ vọng sau là một hàm tuyến tính:
(đối với một số ). Các tài sản tương ứng giữ cho các linh mục liên hợp "thông thường" trong các gia đình theo cấp số nhân, xem Diaconis & Ylvisaker . Vì vậy, theo nghĩa này, các gia đình trẻ hóa thông thường đóng một vai trò trong thống kê bayes tương tự như định lý Gauss-Markov trong thống kê cổ điển (xem Vai trò của Định lý Gauss-Markov trong Hồi quy tuyến tính ): đó là sự biện minh cho các phương pháp tuyến tính.a,b
E{E(θ∣X=x)}=ax+b
a,b
Ngoài ra còn có một quan điểm khác dẫn đến các gia đình liên hợp thông thường. Nếu chúng tôi nghĩ rằng thông tin trước là thông tin đại diện từ một số dữ liệu trước đó (từ cùng một họ phân phối lấy mẫu), thì chúng tôi có thể kết hợp thông tin này như một chức năng khả năng trước . Sau đó, chúng ta có thể có được một hàm khả năng kết hợp bằng cách nhân khả năng trước đó với khả năng dữ liệu. Thay vào đó, chúng ta có thể chọn biểu diễn thông tin dữ liệu trước thông qua phân phối trước, liên hợp "thông thường" trước là lựa chọn mang lại cho tỷ lệ thuận với khả năng kết hợp ở trên. Xem https://en.wikipedia.org/wiki/Conjugate_p Warrior nơi giải thích này được sử dụng để đưa raprior×likelihoodgiải thích dữ liệu trước cho các tham số trong các họ liên hợp (thông thường) được liệt kê.
Vì vậy, tóm tắt, các gia đình liên hợp thông thường trong các gia đình theo cấp số nhân có thể được coi là linh mục dẫn đến các phương pháp tuyến tính, hoặc là các linh mục đến từ việc đại diện cho dữ liệu trước đó. Hy vọng câu trả lời mở rộng này sẽ giúp!