Bayesian Model Averaging
Ayrıca şöyle bilinir: BMA, Bayesian model combination, Bayesian Model Ortalaması (BMA)
Bir regresyon modelinde hangi öngörücülerin (predictor) gerçekten yer alması gerektiğinden emin olmadığınızı varsayın. Bir modeli seçip diğerlerini atmak yerine, BMA her bir aday modeli oyunda tutar ve her birini verilere göre ne kadar makul olduğuna göre ağırlıklandırır. Birkaç model kabaca eşit derecede iyiyse, nihai çıkarım bu belirsizliği yansıtır — ortalaması alınmış tahmin, verilerin aslında neyi desteklediği konusunda daha dürüsttür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
Model belirsizliğini göz ardı etmek yerine onun üzerinden ortalama alarak daha iyi kalibre edilmiş tahminler üretir.
Güçlü yönler & sınırlılıklar
- Sonsal dahil etme olasılıkları, değişken öneminin ilkeli, olasılık ölçekli ölçümlerini sağlar.
- Tek bir seçilmiş modele bağlı kalmaktan kaynaklanan yanlılığı azaltır.
- Yaklaşık 25'ten fazla öngörücü olduğunda, tam sayım yapılamaz ve model uzayının MCMC örneklemesi gereklidir, bu da hesaplama maliyetini artırır.
- Sonuçlar, model parametreleri üzerindeki önsel seçimlerine (örneğin, birim bilgi önseli veya seyreltilmiş önsel) duyarlıdır; bu seçim gerekçelendirilmelidir.
- n < 50 olduğunda sonsal model olasılıkları kararsız ve tekrarlanamazdır.
- Sonsal dahil etme olasılıklarını p-değerleri olarak ele almak — 0.95'lik bir PIP, herhangi bir belirli seviyedeki bir anlamlılık testinden farklı değildir.
SSS
Bir öngörücü için sonsal dahil etme olasılığı (PIP), o öngörücüyü içeren tüm modeller üzerindeki sonsal model olasılıklarının toplamıdır. 1'e yakın bir PIP, verilerin o öngörücüyü içeren modelleri güçlü bir şekilde desteklediği anlamına gelir; 0'a yakın bir PIP, model uzayı boyunca çok az katkıda bulunduğu anlamına gelir. PIP'ler p-değerleri değildir: 0.05 gibi sabit bir eşik yoktur ve uygun kesme değeri araştırma sorusuna ve önsele bağlıdır.
BMA kaç öngörücü ile başa çıkabilir?
k öngörücü ile model uzayında 2ᵏ aday bulunur. Tam sayım yaklaşık k = 20–25'e kadar yapılabilir. Bunun ötesinde, tüm 2ᵏ'yı ziyaret etmeden yüksek olasılıklı modellere odaklanmak için MCMC model-uzay örneklemesi (BMS paketindeki doğum-ölüm örnekleyicisi gibi) gereklidir.
BMA normal dağılımlı sonuçlar gerektirir mi?
BMS gibi paketlerde uygulanan standart BMA, sonuçlar için Normal doğrusal modeli varsayar. Normal olmayan sonuçlar (ikili, sayım) daha az yaygın olarak desteklenen Bayes lojistik model ortalaması gibi uzantılar gerektirir. Normallik makul olmadığında, LASSO veya Elastic Net gibi düzenlileştirilmiş bir sıkı (frequentist) yaklaşım genellikle daha şeffaf bir alternatiftir.
BMA, AIC veya BIC ile en iyi modeli seçmekten nasıl farklıdır?
AIC ve BIC tek bir en iyi modeli belirler ve diğer tüm modelleri atar, bu da birkaç model benzer şekilde iyi uyduğunda belirsizliği hafife alır. BMA tüm modelleri tutar ve onları sonsal olasılığa göre ağırlıklandırır, böylece nihai çıkarım model belirsizliğini dürüstçe yansıtır. Bir model diğerlerinden ezici bir şekilde daha iyi olduğunda, BMA etkili bir şekilde o tek modele çöker.
StatWise'da kendi verileriniz üzerinde doğrudan Bayesian Model Averaging çalıştırın — aday öngörücüleri belirtin, bir model önseli seçin ve sonsal dahil etme olasılıklarını, model-ortalamalı katsayı tahminlerini ve güven aralıkları ile BMA tahminlerini elde edin.
Kaynaklar
- Hoeting, J. A., Madigan, D., Raftery, A. E. & Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14(4), 382–401. link ↗
- Zeugner, S. & Feldkircher, M. (2015). Bayesian Model Averaging Employing Fixed and Flexible Priors: The BMS Package for R. Journal of Statistical Software, 68(4), 1–37. DOI: 10.18637/jss.v068.i04 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bayesian Model Averaging. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-model-averaging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Hiyerarşik ModeliBayesçi↔ karşılaştır
- Bayes RegresyonuBayesçi↔ karşılaştır
- Elastic NetMakine öğrenmesi↔ karşılaştır
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır