پیشین مزدوج

یک پیشین مزدوج، پسین را در همان خانواده توزیعی پیشین نگه می‌دارد و به‌روزرسانی بیزی را به یک به‌روزرسانی ساده از پارامترهای خانواده تبدیل می‌کند.

Definition

یک خانواده از پیشین‌ها نسبت به یک تابع درست‌نمایی معین مزدوج است، اگر برای هر داده‌ای، پسین حاصل به همان خانواده تعلق داشته باشد؛ پسین با به‌روزرسانی فراپارامترهای (hyperparameters) خانواده به شکل بسته (closed form) به دست می‌آید.

Scope

این موضوع تعریف مزدوج بودن، جفت‌های مزدوج استاندارد (بتا-دوجمله‌ای، گاما-پواسون، نرمال-نرمال، نرمال-گاما معکوس، دیریکله-چندجمله‌ای)، ارتباط با خانواده‌های نمایی، و تفسیر پارامترهای پیشین به عنوان شبه‌شمارش‌ها یا اندازه نمونه پیشین را پوشش می‌دهد.

Core questions

• مزدوج بودن یک پیشین نسبت به یک تابع درست‌نمایی به چه معناست؟
• کدام جفت‌های مزدوج برای مدل‌های رایج خانواده نمایی (exponential-family) به وجود می‌آیند؟
• فراپارامترهای مزدوج چگونه به عنوان شبه‌داده‌های پیشین عمل می‌کنند؟
• چرا مزدوج بودن از ساختار خانواده‌های نمایی پیروی می‌کند؟

Key concepts

• پیشین مزدوج
• بتا-دوجمله‌ای
• گاما-پواسون
• نرمال-نرمال
• دیریکله-چندجمله‌ای
• خانواده نمایی
• فراپارامترها
• شبه‌شمارش‌های پیشین

Key theories

مزدوج بودن خانواده نمایی

دیاکونیس و ایلویساکر پیشین‌های مزدوج را برای توابع درست‌نمایی خانواده نمایی مشخص کردند و نشان دادند که آنها انتظارات پسین را که به صورت خطی در آماره‌های کافی (sufficient statistics) هستند، ایجاب می‌کنند.

پیشین به عنوان شبه‌داده

فراپارامترهای مزدوج را می‌توان به عنوان شمارش‌ها و مجموع‌های یک مجموعه داده پیشین خیالی تفسیر کرد، بنابراین پسین، مشاهدات واقعی و شبه‌مشاهدات پیشین را به صورت افزایشی ترکیب می‌کند.

Clinical relevance

مدل‌های مزدوج به‌روزرسانی‌های سریع و شفافی را ارائه می‌دهند که به طور گسترده برای تخمین نسبت و نرخ، تصادفی‌سازی تطبیقی، و به عنوان بلوک‌های سازنده در تحلیل‌های بزرگ‌تر مبتنی بر نمونه‌گیری استفاده می‌شوند.

History

رایفا و اشلایفر تحلیل مزدوج را برای مسائل تصمیم‌گیری در سال 1961 سیستماتیک کردند؛ دیاکونیس و ایلویساکر مشخصه عمومی را برای خانواده‌های نمایی در سال 1979 ارائه دادند. مزدوج بودن به عنوان یک جزء در طرح‌های محاسباتی مدرن مانند نمونه‌برداری گیبس (Gibbs sampling) همچنان محوری است.

Key figures

• Howard Raiffa
• Robert Schlaifer
• Persi Diaconis

Seminal works

• diaconis1979
• gelman2013

Frequently asked questions

چرا وقتی کامپیوترها می‌توانند هر پیشینی را مدیریت کنند، از پیشین‌های مزدوج استفاده کنیم؟

پیشین‌های مزدوج، پسین‌های دقیق و به شکل بسته را ارائه می‌دهند که سریع و قابل تفسیر هستند، و اغلب به عنوان به‌روزرسانی‌های کامل-شرطی (full-conditional) در نمونه‌گیرهای گیبس عمل می‌کنند، حتی زمانی که مدل کلی مزدوج نباشد.