การตรวจสอบเชิงพยากรณ์จากค่าเบย์ (Posterior Predictive Checks)

การตรวจสอบเชิงพยากรณ์จากค่าเบย์เป็นการประเมินความเหมาะสมของแบบจำลองโดยเปรียบเทียบข้อมูลที่สังเกตได้กับข้อมูลที่จำลองขึ้นจากแบบจำลองที่ปรับให้เข้ากันแล้ว

Definition

การตรวจสอบเชิงพยากรณ์จากค่าเบย์สร้างข้อมูลจำลองซ้ำจากส่วนกระจายเชิงพยากรณ์จากค่าเบย์ของแบบจำลองที่ปรับให้เข้ากันแล้ว และเปรียบเทียบลักษณะของข้อมูลจำลองซ้ำเหล่านี้กับลักษณะเดียวกันของข้อมูลที่สังเกตได้ โดยระบุความคลาดเคลื่อนที่เป็นระบบว่าเป็นหลักฐานของความไม่เหมาะสมของแบบจำลอง

Scope

หัวข้อนี้ครอบคลุมการจำลองชุดข้อมูลจำลองซ้ำจากส่วนกระจายเชิงพยากรณ์จากค่าเบย์ การใช้ปริมาณทดสอบและมาตรวัดความคลาดเคลื่อน การตรวจสอบด้วยกราฟ และค่า p-value เชิงพยากรณ์จากค่าเบย์ รวมถึงการตีความว่าเป็นความสอดคล้องในตัวเองมากกว่าการทดสอบสมมติฐาน

Core questions

• ชุดข้อมูลจำลองซ้ำถูกดึงมาจากส่วนกระจายเชิงพยากรณ์จากค่าเบย์ได้อย่างไร?
• ปริมาณทดสอบและมาตรวัดความคลาดเคลื่อนคืออะไร และเลือกได้อย่างไร?
• ค่า p-value เชิงพยากรณ์จากค่าเบย์คำนวณและตีความได้อย่างไร?
• เหตุใดการตรวจสอบเชิงพยากรณ์จากค่าเบย์จึงเป็นการตรวจสอบความเหมาะสมมากกว่ากฎการเลือกแบบจำลอง?

Key concepts

• ส่วนกระจายเชิงพยากรณ์จากค่าเบย์
• ข้อมูลจำลองซ้ำ
• ปริมาณทดสอบ
• มาตรวัดความคลาดเคลื่อน
• ค่า p-value เชิงพยากรณ์จากค่าเบย์
• การตรวจสอบแบบจำลองด้วยกราฟ

Key theories

การเปรียบเทียบข้อมูลจำลองซ้ำ

หากแบบจำลองมีความเหมาะสม ข้อมูลที่จำลองจากแบบจำลองนั้นควรมีลักษณะคล้ายกับข้อมูลที่สังเกตได้ในแง่มุมที่เกี่ยวข้อง; ความแตกต่างที่เป็นระบบในปริมาณทดสอบที่เลือกจะเปิดเผยว่าแบบจำลองล้มเหลวในจุดใด

ค่า p-value เชิงพยากรณ์จากค่าเบย์

ค่า p-value เชิงพยากรณ์จากค่าเบย์คือความน่าจะเป็นที่มาตรวัดความคลาดเคลื่อนสำหรับข้อมูลจำลองซ้ำจะเกินกว่าค่าสำหรับข้อมูลที่สังเกตได้; เป็นเครื่องมือทางกราฟิกและการวินิจฉัย ซึ่งเป็นค่าที่อนุรักษ์นิยมและไม่ใช่การทดสอบแบบถี่ที่ปรับเทียบแล้ว

Clinical relevance

การตรวจสอบเชิงพยากรณ์จากค่าเบย์ช่วยให้นักวิเคราะห์สามารถตรวจจับความไม่เหมาะสมที่สำคัญของแบบจำลองก่อนที่จะรายงานข้อสรุป ซึ่งมีความสำคัญในการวิเคราะห์แบบเบย์ประยุกต์ใดๆ ที่แบบจำลองที่ไม่เพียงพออาจนำไปสู่การตัดสินใจที่ผิดพลาดได้

History

รูบินเสนอการตรวจสอบเชิงพยากรณ์แบบเบย์ในปี 1984; เกลแมน, เม้ง และสเติร์นได้ขยายแนวคิดนี้โดยใช้ความคลาดเคลื่อนที่เกิดขึ้นจริงซึ่งขึ้นอยู่กับพารามิเตอร์ในปี 1996 แนวทางนี้ได้กลายเป็นแนวปฏิบัติมาตรฐานในการทำงานแบบเบย์ประยุกต์ ซึ่งมักจะผ่านการตรวจสอบด้วยกราฟ

Debates

การใช้ข้อมูลซ้ำซ้อน

เนื่องจากข้อมูลชุดเดียวกันถูกใช้ทั้งในการสร้างแบบจำลองที่ปรับให้เข้ากันแล้วและการตรวจสอบ ค่า p-value เชิงพยากรณ์จากค่าเบย์จึงเป็นค่าที่อนุรักษ์นิยมและไม่ได้มีการกระจายอย่างสม่ำเสมอภายใต้สมมติฐานว่าง ซึ่งกระตุ้นให้เกิดทางเลือกอื่น เช่น การตรวจสอบแบบ cross-validated

Key figures

• Donald Rubin
• Andrew Gelman
• Xiao-Li Meng
• Hal Stern

Seminal works

• gelman1996
• rubin1984

Frequently asked questions

ค่า p-value เชิงพยากรณ์จากค่าเบย์ที่ใกล้เคียง 0.5 หมายความว่าแบบจำลองของฉันถูกต้องหรือไม่?

ไม่ การตรวจสอบเชิงพยากรณ์จากค่าเบย์สามารถเปิดเผยความไม่เหมาะสมในลักษณะที่คุณทดสอบได้ แต่ไม่สามารถยืนยันได้ว่าแบบจำลองถูกต้อง; ค่า p-value ที่ไม่สุดโต่งเพียงแค่หมายความว่าแบบจำลองไม่ขัดแย้งกับปริมาณทดสอบเฉพาะนั้น