طرق بايز التجريبية

تقدر طريقة بايز التجريبية التوزيع المسبق (prior distribution) من البيانات نفسها، مما يوفر الكثير من فوائد النموذج الهرمي بتكلفة حسابية أقل.

Definition

بايز التجريبية هي منهج للاستدلال الهرمي (hierarchical inference) حيث تُقدر معلمات التوزيع المسبق من البيانات المرصودة، عادةً عن طريق تعظيم الاحتمالية الهامشية، ثم تُعامل على أنها معروفة عند حساب التوزيعات اللاحقة (posteriors) للكميات على مستوى المجموعة.

Scope

يغطي هذا الموضوع طرق بايز التجريبية البارامترية وغير البارامترية، وتقدير المعلمات الفائقة (hyperparameters) عن طريق الاحتمالية القصوى الهامشية (marginal maximum likelihood) أو طريقة العزوم (method of moments)، والصلة بتقليص جيمس-شتاين (James-Stein shrinkage)، والتحذير من أن طريقة بايز التجريبية قد تقلل من تقدير عدم اليقين (uncertainty) بتجاهل الخطأ في التقدير المسبق.

Core questions

• كيف تُقدر المعلمات الفائقة من التوزيع الهامشي للبيانات؟
• كيف ترتبط طريقة بايز التجريبية بالنمذجة الهرمية البايزية الكاملة؟
• لماذا ترتبط بمقدرات تقليص جيمس-شتاين؟
• بأي طريقة يمكن لطريقة بايز التجريبية أن تقلل من تقدير عدم اليقين؟

Key concepts

• بايز التجريبية
• الاحتمالية القصوى الهامشية
• تقدير المعلمات الفائقة
• مقدر جيمس-شتاين
• التقليص
• معدل الاكتشاف الخاطئ
• التقليل من تقدير عدم اليقين

Key theories

تقدير التوزيع المسبق من البيانات

من خلال مطابقة المعلمات الفائقة للتوزيع المسبق مع التوزيع الهامشي لجميع البيانات، تتعلم طريقة بايز التجريبية مقدار التجميع دون تحديد توزيع مسبق فائق (hyperprior)، مما يقرب التوزيع اللاحق الهرمي الكامل.

الصلة بتقليص شتاين

يمكن اشتقاق مقدر جيمس-شتاين كقاعدة بايز تجريبية بارامترية، مما يوضح أن التوزيعات المسبقة المقدرة بالبيانات تنتج التقليص الذي يقلل من إجمالي الخطأ.

Clinical relevance

تكمن أهمية بايز التجريبية في الاستدلال واسع النطاق في علم الجينوم والتصوير، حيث تُقدر آلاف التأثيرات في وقت واحد، وتعمل التوزيعات المسبقة المستندة إلى البيانات على استقرار التقديرات والتحكم في الاكتشافات الخاطئة (false discoveries).

History

قدم روبنز (Robbins) طريقة بايز التجريبية في عام 1956؛ وربطها إيفرون وموريس (Efron and Morris) بتقليص شتاين (Stein shrinkage) في السبعينيات. أدى ظهور البيانات عالية الإنتاجية إلى جعل بايز التجريبية محورية في الاستدلال المتزامن واسع النطاق، كما تم تطويره في دراسة إيفرون عام 2010.

Debates

تجاهل عدم اليقين في التوزيع المسبق المقدر

نظرًا لأن طريقة بايز التجريبية تستخدم تقديرات نقطية للمعلمات الفائقة، فقد تنتج فترات ثقة مفرطة في الثقة مقارنة بتحليل بايزي كامل ينشر عدم اليقين هذا.

Key figures

• Herbert Robbins
• Bradley Efron
• Carl Morris

Seminal works

• robbins1956
• efron2010

Frequently asked questions

هل طريقة بايز التجريبية بايزية حقًا؟

إنها هجينة: تستخدم نظرية بايز لمعلمات مستوى المجموعة ولكنها تقدر التوزيع المسبق من البيانات بدلاً من تحديده مسبقًا، مما يقرب نموذجًا هرميًا كاملاً بينما يقلل عادةً من تقدير عدم اليقين في التوزيع المسبق.