Элиситация априорных распределений и анализ чувствительности

Элиситация априорных распределений преобразует экспертные знания в вероятностные распределения, а анализ чувствительности позволяет оценить, насколько выводы зависят от выбора этих априорных распределений.

Definition

Элиситация априорных распределений — это процесс построения априорного распределения на основе убеждений эксперта с использованием структурированных суждений, таких как квантили или вероятности; анализ чувствительности (робастный байесовский анализ) количественно определяет, как изменяется апостериорное распределение при варьировании априорного распределения в пределах правдоподобного класса.

Scope

Эта тема охватывает методы элиситации субъективных вероятностей у экспертов, их кодирования в виде априорных распределений и оценки робастности посредством анализа чувствительности для классов априорных распределений, включая использование классов загрязнения и границ для апостериорных величин.

Core questions

• Как элиситируются убеждения эксперта и преобразуются в априорное распределение?
• Какие смещения влияют на вероятностные суждения и как элиситация может их смягчить?
• Как оценивается робастность к априорному распределению в рамках класса распределений?
• Когда выбор априорного распределения существенно изменяет выводы анализа?

Key concepts

• элиситация априорных распределений
• экспертное суждение
• предвзятость чрезмерной уверенности
• робастный байесовский анализ
• класс загрязнения
• анализ чувствительности

Key theories

Структурированная элиситация

Элиситация квантилей, вероятностей или сравнений и подгонка распределения к ним позволяют получить воспроизводимые априорные распределения, контролируя при этом хорошо задокументированные смещения суждений, такие как чрезмерная уверенность.

Робастный байесовский анализ

Вместо одного априорного распределения рассматривается класс априорных распределений, и диапазон результирующих апостериорных величин указывает, являются ли выводы робастными к спецификации априорного распределения.

Clinical relevance

Формальная элиситация и анализ чувствительности используются для включения экспертного мнения в оценку медицинских технологий, оценку экологических рисков и дизайн клинических испытаний, демонстрируя при этом, что выводы не являются артефактами произвольно выбранного априорного распределения.

History

Протоколы структурированной элиситации развивались из анализа решений и психологии суждений, консолидировавшись в литературе, связанной с SHELF, в 2006 году. Робастный байесовский анализ, формализованный Бергером и другими с 1980-х годов, предоставил дополнительные инструменты для оценки чувствительности к априорным распределениям.

Debates

Насколько сильно априорные распределения должны влиять на выводы?

Практики обсуждают приемлемую степень влияния априорных распределений и то, насколько прозрачно должна быть представлена чувствительность к априорным распределениям, особенно в регулируемых процессах принятия решений.

Key figures

• Anthony O'Hagan
• James Berger
• Paul Garthwaite

Seminal works

• ohagan2006
• berger1990

Frequently asked questions

Что делать, если мои выводы сильно меняются в зависимости от априорного распределения?

Сильная чувствительность к априорному распределению сигнализирует о том, что данные не очень информативны относительно интересующей величины; честный ответ — сообщить о зависимости, собрать больше данных или тщательно обосновать априорное распределение, а не скрывать чувствительность.