Ampirik Bayes
Empirical Bayes Estimation · Ayrıca şöyle bilinir: EB, empirical Bayes estimation, marginal likelihood estimation, James-Stein shrinkage, parametric empirical Bayes, nonparametric empirical Bayes
Ampirik Bayes (EB), Herbert Robbins tarafından 1956'da ortaya atılan ve 1973'te Bradley Efron ve Carl Morris tarafından pratik büzülme kestirimcilerine geliştirilen, önsel dağılımın üstparametrelerinin önceden belirlenmesi yerine marjinal olabilirlik yoluyla gözlemlenen verilerden tahmin edildiği bir kestirim stratejisidir. Elde edilen sonsal, bir Bayes yapısını korur ancak öznel üstparametreler yerine veriye dayalı üstparametreleri ikame ederek, sıklıkçı büzülme ile tam Bayes çıkarımını birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ampirik Bayes, (1) havuzlama bilgisinin birimler arasında faydalı olması için çok sayıda paralel birimin eş zamanlı olarak tahmin edildiği — diferansiyel ifade analizindeki genler, eğitim çalışmasındaki okullar, anket tahminindeki küçük coğrafi alanlar; (2) gerçek önsel bilginin mevcut olmadığı, tam öznel bir önseli uygunsuz hale getirdiği; ve (3) MCMC ile tam bir hiyerarşik Bayes analizinin hesaplama açısından uygulanamaz olduğu veya hızlı bir yaklaşımın yeterli olduğu durumlarda en değerlidir. Temel varsayımlar, önsel altındaki birimlerin değişebilirliği (her birimin parametresinin aynı popülasyon dağılımından çekildiği) ve marjinal olabilitenin üstparametrelerin güvenilir bir tahminini sağlayacak kadar çok sayıda birimin olmasıdır.
Güçlü yönler & sınırlılıklar
- Eş zamanlı olarak çok sayıda birim tahmin edildiğinde maksimum olabilirlikten daha düşük ortalama karesel hataya sahip büzülmüş kestirimler üretir (k ≥ 3 için James-Stein hakimiyeti).
- Öznel önsel belirleme ihtiyacını ortadan kaldırır: üstparametreler veriden öğrenilir.
- Tamamen yorumlanabilir bir sonsal yapıyı korurken hesaplama açısından elverişlidir — genellikle kapalı formlu veya EM tabanlı kestirimler verir.
- Genomik (limma, DESeq2), küçük alan tahmini, spor istatistikleri, sigortacılık ve eğitim testleri gibi alanlarda yaygın olarak uygulanabilir.
- Tahmin edilen üstparametrelerdeki η̂ belirsizliğini göz ardı eder, bu da biraz fazla dar olan güven aralıklarına yol açar; η üzerinde uygun bir önsele sahip tam hiyerarşik Bayes bunu düzeltir.
- Marjinal olabilitenin üstparametreleri güvenilir bir şekilde belirlemesi için yeterince sayıda paralel birim gerektirir; çok az birimle (örneğin k < 5) büzülme kestirimi kararsızdır.
- Birimlerin önsel altında değişebilirliği varsayımı ihlal edilebilir, bu da bazı alt gruplar için havuzlamayı uygunsuz hale getirir.
- Parametrik olmayan ampirik Bayes (önseli parametrik olmayan bir şekilde tahmin etmek), daha da fazla sayıda birim gerektirir ve tahmin yöntemine duyarlıdır.
SSS
Ampirik Bayes, tam (hiyerarşik) Bayes'ten nasıl farklıdır?
Tam hiyerarşik Bayes'te, üstparametreler η kendi önseline atanır ve tipik olarak MCMC aracılığıyla θ ile birlikte dışarıda bırakılır. Ampirik Bayes bunun yerine marjinal olabilirlikten elde edilen bir nokta kestirimi η̂'yi takar ve bunu sabit olarak kabul eder. EB daha hızlıdır ve genellikle çok benzer nokta kestirimleri verir, ancak η̂'deki belirsizliği göz ardı ettiği için elde edilen güven aralıkları biraz fazla dardır. Çok sayıda birim için fark genellikle küçüktür; az sayıda birim için tam hiyerarşik Bayes tercih edilir.
Ampirik Bayes ile James-Stein kestirimcisi arasındaki bağlantı nedir?
James-Stein kestirimcisi, k eş zamanlı normal ortalamayı ortak bir değere doğru büzer ve k ≥ 3 olduğunda MLE'den daha düşük ortalama karesel hataya sahip olduğu kanıtlanmıştır. Efron ve Morris (1973), bu kestirimcinin, verilerden tahmin edilen varyansa sahip bir normal önsel altında ampirik Bayes sonsal ortalaması olduğunu göstererek, iki fikri resmi olarak birleştirmiştir. Büzülme faktörü B̂, tahmin edilen önsel ağırlık rolünü oynar.
Ampirik Bayes'in değişebilirlik varsayımı ne zaman ihlal edilir?
Değişebilirlik, veriyi görmeden önce tüm birimlerin parametrelerinin aynı önsel dağılımdan çekildiği anlamına gelir. Bu, birimler yapısal olarak farklı olduğunda başarısız olur — örneğin, ev işi genleri ve düzenleyici genler için gen ifadesi kestirimlerini tek bir önsel altında havuzlamak veya sonuç dağılımlarının sistematik olarak farklı olduğu bilinen kırsal ve kentsel alanlardaki okulları havuzlamak. Bu gibi durumlarda, gruplara özgü önsellerle katmanlı veya hiyerarşik modeller daha uygundur.
Ampirik Bayes, normal olmayan veriler için kullanılabilir mi?
Evet. EB çerçevesi, üstel aile içindeki herhangi bir olabilirlik genelleştirilebilir. Poisson-gama modelleri sayım verileri (örneğin, RNA-seq'deki gen okuma sayıları) için standarttır, beta-binomiyal modeller oran verileri için ve gama-gama modeller çarpık pozitif sonuçlar için standarttır. Marjinal olabilirlik buna göre form değiştirir, ancak kavramsal işlem hattı — marjinalden η̂'yi tahmin et, ardından sonsalı hesapla — aynı kalır.
Kaynaklar
- Robbins, H. (1956). An empirical Bayes approach to statistics. In J. Neyman (Ed.), Proceedings of the Third Berkeley Symposium on Mathematical Statistics and Probability, Vol. 1 (pp. 157–164). University of California Press. DOI: 10.1525/9780520313880-015 ↗
- Efron, B., & Morris, C. (1973). Stein's estimation rule and its competitors — An empirical Bayes approach. Journal of the American Statistical Association, 68(341), 117–130. DOI: 10.1080/01621459.1973.10481350 ↗
- Carlin, B. P., & Louis, T. A. (2000). Bayes and Empirical Bayes Methods for Data Analysis (2nd ed.). Chapman & Hall/CRC. ISBN: 978-1584881704
- Efron, B., & Hastie, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence, and Data Science. Cambridge University Press. ISBN: 978-1107149892
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Empirical Bayes Estimation. ScholarGate. https://scholargate.app/tr/bayesian/empirical-bayes
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Karma Etkiler Modeliİstatistik↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır