ハイパー事前分布と収縮

ハイパー事前分布は、階層モデルの最上位パラメータに置かれる事前分布であり、グループ推定値が母集団平均に向かってどの程度強く収縮されるかを制御します。

Definition

ハイパー事前分布は、グループレベルのパラメータの分布を支配するハイパーパラメータに対する事前分布であり、データとともにグループレベルの分散の事後分布、ひいては各グループに適用される収縮の程度を決定します。

Scope

このトピックでは、階層平均および特に分散成分に対する事前分布の指定、グループレベルの分散が収縮をどのように支配するか、不適切な分散事前分布による縮退した事後分布の危険性、および半コーシー分布や半正規分布などの推奨される弱情報性選択について扱います。

Core questions

• なぜグループレベルの分散が収縮量を制御するのでしょうか？
• 分散成分に不適切な事前分布が使用されると何が問題になるのでしょうか？
• スケールパラメータにはどのような弱情報性ハイパー事前分布が推奨されますか？
• 収縮はスタインの結果や経験ベイズの結果とどのように関連していますか？

Key concepts

• ハイパー事前分布
• 分散成分
• 半コーシー事前分布
• 逆ガンマ事前分布
• 収縮
• ジェームズ-スタイン推定量
• 縮退した事後分布

Key theories

分散成分の事前分布

グループレベルの標準偏差に対するハイパー事前分布は、グループが少ない場合に推論に強く影響します。折り畳み非心分布や半コーシー事前分布は、従来の逆ガンマ選択の病理を回避します。

リスク軽減としての収縮

多くの関連する推定値を共通の中心に向かって収縮させることは、総平均二乗誤差を低減させます。これは、ジェームズ-スタイン推定量が標本平均を支配するのと同じ原理です。

Clinical relevance

適切なハイパー事前分布は、メタアナリシスや多施設研究において、グループ数が少なく分散の推定が困難な場合に、グループ間変動の過信または不安定な推定を防ぎます。

History

収縮推定は、1956年のスタインの結果と1970年代のエフロンとモリスによる経験ベイズの研究から発展しました。2006年のゲルマンによる分散パラメータ事前分布の分析は、ハイパー事前分布の選択が完全ベイズ階層モデルにおける収縮をどのように形成するかを明確にしました。

Debates

グループレベルの分散にはどの事前分布を用いるべきか？

従来の逆ガンマ事前分布は、ゼロ付近で意図せず情報を持つ可能性があるため、半コーシー分布、半正規分布、およびその他の弱情報性スケール事前分布について議論が続けられています。

Key figures

• Andrew Gelman
• Bradley Efron
• Carl Morris
• Charles Stein

Seminal works

• gelman2006
• efron1975

Frequently asked questions

グループレベルの分散に一様事前分布を使用しないのはなぜですか？

一様事前分布またはデフォルトの逆ガンマ事前分布は、ゼロ付近に過度の重みを置いたり、適切な分布とならなかったりする可能性があり、グループが少ない場合に縮退した、または不安定な事後分布を生成することがあります。半コーシー分布のような弱情報性スケール事前分布は、より信頼性の高い挙動を示します。