У меня есть функция правдоподобия для вероятности моих данных учетом некоторых параметров модели , которые я хотел бы оценить. Принимая плоские априорные значения параметров, вероятность пропорциональна апостериорной вероятности. Я использую метод MCMC для выборки этой вероятности.
Глядя на полученную сходящуюся цепочку, я обнаружил, что параметры максимального правдоподобия не соответствуют апостериорным распределениям. Например, маргинализованное апостериорное распределение вероятностей для одного из параметров может быть , тогда как значение в точке максимального правдоподобия равно , по существу являясь почти максимальным значением пройденным сэмплером MCMC.
Это иллюстративный пример, а не мои реальные результаты. Вещественные распределения намного сложнее, но некоторые из параметров ML имеют аналогично маловероятные p-значения в их соответствующих апостериорных распределениях. Обратите внимание, что некоторые из моих параметров ограничены (например, ); в пределах границ приоры всегда одинаковы.
Мои вопросы:
Является ли такое отклонение проблемой само по себе ? Очевидно, я не ожидаю, что параметры ML точно совпадают с максимумами каждого из их маргинализированных задних распределений, но интуитивно кажется, что их также не следует искать глубоко в хвостах. Это отклонение автоматически аннулирует мои результаты?
Является ли это обязательно проблематичным или нет, может ли это быть симптомом конкретной патологии на каком-то этапе анализа данных? Например, можно ли сделать какое-либо общее утверждение о том, может ли такое отклонение быть вызвано неправильно сходимой цепью, неправильной моделью или чрезмерно жесткими границами параметров?