Нужно ли придерживаться принципа вероятности быть байесовским?

14

Этот вопрос вытекает из вопроса: когда (если вообще когда-либо) частотный подход существенно лучше, чем байесовский?

Как я уже писал в своем решении этого вопроса, по моему мнению, если вы являетесь частым участником, вам не нужно верить / придерживаться принципа вероятности, так как часто методы, применяемые частыми пользователями, будут его нарушать. Однако, и это обычно при условии правильных априорных значений, байесовские методы никогда не нарушают принцип правдоподобия.

Итак, теперь, если вы говорите, что вы байесовец, это подтверждает вашу веру или согласие с принципом правдоподобия, или аргумент, что байесовский ответ имеет приятное следствие, что принцип правдоподобия не нарушается?

RustyStatistician
источник
4
Нет - см. Джеффриса до. Байесовские методы могут нарушать (сильный) принцип правдоподобия.
Scortchi - Восстановить Монику
6
Да, действительно, приоры Джеффриса, а также решения, которые используют данные несколько раз как апостериорные предикторы, нарушают принцип правдоподобия, но все еще могут считаться байесовскими ...
Сиань,
1
Не обязательно. И я не уверен, какая разница.
Scortchi - Восстановить Монику
2
Сравните их для биномиального и отрицательного бинома.
Scortchi - Восстановить Монику
1
xianblog.wordpress.com/2014/11/13/…
Scortchi - Восстановить Монику

Ответы:

13

При использовании теоремы Байеса для вычисления апостериорных вероятностей, которые составляют вывод о параметрах модели, принцип слабого правдоподобия автоматически соблюдается:

поsTеряорαпряор×LяКеLячасооd

Тем не менее, в некоторых объективных байесовских подходах схема выборки определяет выбор априора, мотивируя это тем, что неинформативный априор должен максимизировать расхождение между априорным и апостериорным распределением, позволяя данным оказывать как можно большее влияние. Таким образом, они нарушают принцип сильного правдоподобия.

Например, априорные значения Джеффриса пропорциональны квадратному корню из детерминанта информации Фишера, ожиданию в пространстве выборки. Рассмотрим вывод о параметре вероятностиπ

PrNВ(π)απ-1(1-π)-12PrВяN(π)απ-12(1-π)-12

ИксN

PrNВ(π|Икс,N)~ВеTa(Икс,N-Икс+12)PrВяN(π|Икс,N)~ВеTa(Икс+12,N-Икс+12)

Таким образом, наблюдение, скажем, 1 успех из 10 испытаний приведет к совершенно разным апостериорным распределениям по двум схемам выборки:

введите описание изображения здесь

Хотя следование таким правилам для получения неинформативных априоров иногда может привести к неправильным априорам, что само по себе не является корнем нарушения принципа правдоподобия, вызванного практикой. Приближение к Джеффрису,π-1+с(1-π)-1/2, где 0<с«1, вполне правильно, & имеет незначительное значение для задней.

Вы также можете рассматривать проверку моделей - или делать что-либо в результате проверок - как противоречащие принципу слабого правдоподобия; вопиющий случай использования вспомогательной части данных.

Scortchi - Восстановить Монику
источник