Vollständige Klassensätze

Eine vollständige Klasse ist eine Menge von Entscheidungsregeln, die reichhaltig genug ist, dass nichts außerhalb von ihr nützlich ist; vollständige Klassensätze identifizieren solche Mengen mit den Bayes-Regeln und deren Grenzen.

Definition

Eine Klasse von Entscheidungsregeln ist vollständig, wenn es für jede Regel außerhalb dieser Klasse eine Regel innerhalb dieser Klasse gibt, die ein gleichmäßig nicht größeres Risiko aufweist; vollständige Klassensätze zeigen, dass die zulässigen Regeln im Wesentlichen mit den Bayes-Regeln und deren Grenzen übereinstimmen.

Scope

Dieses Thema behandelt vollständige und im Wesentlichen vollständige Klassen von Entscheidungsregeln, die Konvexität und Kompaktheit der Risikomenge, die die Theorie antreiben, das Ergebnis, dass jede zulässige Regel eine Bayes-Regel oder eine Grenze von Bayes-Regeln ist, die Umkehrung, dass Bayes-Regeln unter milden Bedingungen zulässig sind, Walds vollständigen Klassensatz und Steins notwendige und hinreichende Bedingungen sowie die praktische Konsequenz der Beschränkung auf Bayes-Regeln.

Core questions

• Was unterscheidet eine vollständige Klasse von einer im Wesentlichen vollständigen Klasse?
• Warum macht die Konvexität der Risikomenge Bayes-Regeln zentral?
• In welchem Sinne ist jede zulässige Regel eine Bayes- oder eine Grenz-Bayes-Regel?
• Wie rechtfertigen vollständige Klassensätze die Beschränkung auf Bayes-Regeln?

Key theories

Bayes'sche Charakterisierung der Zulässigkeit

Unter Konvexitäts- und Kompaktheitsbedingungen für die Risikomenge ist die Klasse der Bayes-Regeln und ihrer Grenzen vollständig, sodass jede zulässige Regel eine Bayes-Regel oder eine Grenze von Bayes-Regeln ist.

Wald- und Stein-Vollständigkeitsklassensätze

Wald etablierte die ersten vollständigen Klassenergebnisse für statistische Spiele, und Stein gab notwendige und hinreichende Bedingungen für die Vollständigkeit einer Klasse an, wodurch die Verbindung zwischen Zulässigkeit und Bayes-Optimalität geschärft wurde.

Clinical relevance

Vollständige Klassensätze liefern eine frequentistische Rechtfertigung für Bayes'sche Verfahren: Da die zulässigen Regeln im Wesentlichen die Bayes-Regeln sind, geht bei der Suche unter Bayes-Regeln nichts verloren, weshalb Bayes- und regularisierte Schätzer auch unter nicht-Bayes'schen Kriterien vernünftige Standardeinstellungen sind.

History

Wald bewies die ersten vollständigen Klassensätze in seinem Buch über statistische Entscheidungsfunktionen aus dem Jahr 1950. Blackwell, Stein und Le Cam verfeinerten die Bedingungen in den 1950er Jahren und etablierten die heute standardmäßige Äquivalenz zwischen Zulässigkeit und Bayes-Optimalität.

Key figures

• Abraham Wald
• Charles Stein
• David Blackwell
• James O. Berger

Seminal works

• berger1985

Frequently asked questions

Was ist der praktische Nutzen eines vollständigen Klassensatzes?

Er besagt, dass man die Suche nach einer guten Regel auf die Bayes-Regeln und deren Grenzen beschränken kann, ohne etwas Zulässiges zu übersehen, was sowohl die Theorie als auch die Konstruktion von Verfahren vereinfacht.

Bedeutet dies, dass jede gute Regel Bayes'sch ist?

Im Wesentlichen ja, innerhalb des entscheidungstheoretischen Rahmens: Unter den Standardbedingungen ist jede zulässige Regel eine Bayes-Regel oder eine Grenze davon, obwohl die relevante A-priori-Verteilung uneigentlich sein oder nur als Grenze entstehen kann.