Eşlenik Önsel Analizi
Conjugate Prior Bayesian Analysis · Ayrıca şöyle bilinir: conjugate priors, conjugate Bayesian updating, closed-form posterior analysis, Beta-Binomial model, Normal-Normal model, natural conjugate analysis
Eşlenik önsel analizi, önsel dağılım ile olabilirlik fonksiyonunun eşleşen bir aileye — eşlenik çift olarak adlandırılır — ait olduğu Bayesçi çıkarım yöntemleri sınıfıdır; öyle ki sonsal dağılım, önsel ile tamamen aynı fonksiyonel forma sahiptir ve kapalı formda türetilebilir. Raiffa ve Schlaifer (1961) tarafından sistematik olarak tanıtılan ve DeGroot (1970) tarafından pekiştirilen eşlenik analiz, giriş niteliğindeki Bayesçi istatistiğin pedagojik omurgasını oluşturur ve analitik çözülebilirliğin gerektiği her durumda pratik bir araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Eşlenik önsel analizi şu durumlarda uygundur: (1) veri üretim süreci, yerleşik eşlenik olabilirlik ailelerinden birine (Binom, Poisson, bilinen varyanslı Normal, Multinom, Üstel vb.) uyuyorsa; (2) kapalı formda, hesaplama açısından serbest bir sonsal gerekiyorsa — örneğin gerçek zamanlı veya gömülü sistemlerde, sıralı çevrimiçi güncellemede veya sınıf gösteriminde; ve (3) analist, gerçek önsel bilgiyi veya zayıf bilgilendirici bir referans önseli eşlenik hiperparametreler olarak kodlayabiliyorsa. Yöntem, seçilen olabilirlik ailesinin veriler için doğru bir model olduğunu varsayar. Olabilirlik standart dışı olduğunda veya önsel inançlar eşlenik aile içinde ifade edilemediğinde uygun değildir; bu durumda bunun yerine MCMC veya varyasyonel çıkarım kullanılmalıdır.
Güçlü yönler & sınırlılıklar
- Örnekleme hatası veya yakınsama endişeleri olmaksızın kesin, kapalı formda bir sonsal üretir.
- Çevrimiçi ve sıralı güncelleme önemsiz derecede verimlidir: yeni gözlemler, geçmiş verileri yeniden işlemeye gerek kalmadan hiperparametreleri basitçe günceller.
- Hiperparametreler, sözde-gözlemler olarak doğrudan yorumlara sahiptir, bu da önsel belirlemeyi sezgisel ve şeffaf hale getirir.
- Hesaplama açısından önemsizdir — yüksek frekanslı, gömülü veya büyük ölçekli akış uygulamaları için uygundur.
- Eşlenik bir aileye izin veren olabilirliklerle sınırlıdır; birçok gerçekçi model (lojistik regresyon, hiyerarşik doğrusal olmayan modeller) buna izin vermez.
- Eşlenik önsel ailesi, mevcut önsel bilgiyi yeterince temsil etmeyebilir, bu da çözülebilirlik ve doğruluk arasında bir uzlaşmayı zorunlu kılar.
- Küçük örneklemlerle sonsal, hiperparametre değerlerine duyarlıdır, bu da önsel sözde-gözlem sayılarının dikkatli bir şekilde gerekçelendirilmesini gerektirir.
SSS
'Eşlenik' teknik olarak ne anlama gelir?
Bir F önsel ailesi, bir olabilirlik p(x|θ) için eşleniktir, eğer F'deki her önsel için, sonsal p(θ|x) de F içinde yer alıyorsa. Biçimsel olarak, F, bu olabilirlik tarafından Bayesçi güncelleme altında kapalıdır. Temel sonuç, sonsalın, başa çıkılamaz normalize edilmemiş bir yoğunluk yerine tamamen güncellenmiş hiperparametrelerle karakterize edilmesidir.
Önsel hiperparametreleri nasıl seçerim?
Hiperparametreler sözde-gözlemlere karşılık geldiğinden, önsel belirleme somuttur: bir Beta önseli için, α ve β hayali önsel başarıları ve başarısızlıkları temsil eder, bu nedenle α + β toplam 'önsel örneklem büyüklüğü'dür. Gerçek önsel inancınızı yansıtacak şekilde ayarlayın veya zayıf bilgilendirici bir seçim olarak küçük değerler kullanın (örn. tekdüze bir Beta için α = β = 1). Her zaman bir duyarlılık analizi yapın: hiperparametreleri makul bir aralıkta değiştirin ve sonsal sonucun kararlı olduğunu doğrulayın.
Eşlenik analizden MCMC'ye ne zaman geçmeliyim?
Olabilirlik fonksiyonunuz eşlenik bir ailede olduğunda ve eşlenik önsel inançlarınızı yeterince temsil edebildiğinde eşlenik analiz kullanın. Olabilirlik standart dışı olduğunda (örn. lojistik, sağkalım veya hiyerarşik modeller), modelin gizli değişkenleri olduğunda veya daha zengin önsel ailelere ihtiyaç duyulduğunda MCMC'ye (veya varyasyonel çıkarıma) geçin. Eşlenik sonuçlar, tam bir MCMC analizi yapmadan önce hızlı sağduyu kontrolleri olarak da faydalıdır.
Düz veya tekdüze bir önsel gerçekten bilgilendirici değil midir?
Genel olarak hayır. Bir parametrelendirme üzerindeki tekdüze bir önsel, yeniden parametrelendirme sonrası tekdüze olmayan (ve muhtemelen bilgilendirici) bir önsel anlamına gelir. Eşlenik modeller için, Fisher bilgisinden türetilen Jeffreys önseli, yeniden parametrelendirmeye karşı değişmez olan, prensipli, yaklaşık olarak bilgilendirici olmayan bir seçimdir. Binom olabilirlik için tekdüze Beta(1, 1) değil, Beta(0.5, 0.5)'tir.
Kaynaklar
- Raiffa, H. & Schlaifer, R. (1961). Applied Statistical Decision Theory. Harvard University Press. ISBN: 978-0-87584-017-8
- DeGroot, M. H. (1970). Optimal Statistical Decisions. McGraw-Hill. ISBN: 978-0-07-016242-6
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1-4398-4095-5
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Conjugate Prior Bayesian Analysis. ScholarGate. https://scholargate.app/tr/bayesian/conjugate-prior-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Ampirik BayesBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır