Hiyerarşik Bayesçi Model Ortalaması
Hierarchical Bayesian Model Averaging · Ayrıca şöyle bilinir: HBMA, hierarchical BMA, multilevel Bayesian model averaging, Bayesian model averaging in hierarchical models
Hiyerarşik Bayesçi model ortalaması (HBMA), Bayesçi model ortalamasını hiyerarşik model yapısıyla birleştirir ve her bir modelin sonsal olasılığına göre ağırlıklandırılmış bir aday modeller kümesi üzerinde sonsal niceliklerin ortalamasını alır. Tek bir en iyi modeli seçmek yerine, HBMA model belirsizliğini hiyerarşik bir çerçeve aracılığıyla yayar ve hangi modelin doğru olduğuna dair belirsizliği dürüstçe yansıtan tahminler ve parametre tahminleri üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler kümelenmiş veya çok düzeyli bir yapıya sahip olduğunda ve birkaç makul hiyerarşik model spesifikasyonu (örneğin, farklı kovaryat kümeleri veya rastgele etkiler formülasyonları) mevcut olduğunda HBMA'yı kullanın. Özellikle gruplar içindeki örneklem büyüklüğü küçük olduğunda değerlidir, çünkü hem hiyerarşik havuzlama hem de model ortalaması tahminleri stabilize etmeye yardımcı olur. Ayrıca, sonraki kararlar tahminlere bağlı olduğunda ve yanlış model üzerinde hareket etmenin maliyeti yüksek olduğunda da kullanın. Model alanı aşırı büyük olduğunda (aday model sayısı kovaryatlarla üstel olarak artar), marjinal olabilirlikler hesaplama açısından imkansız olduğunda ve güvenilir bir yaklaşım mevcut olmadığında veya veriler basit ve düz olduğunda, hiyerarşik yapıyı gereksiz kıldığında HBMA'yı kullanmayın.
Güçlü yönler & sınırlılıklar
- Model seçimi belirsizliğini her tahmine ve çıkarıma yayarak, tek bir seçilen modelden kaynaklanan aşırı güvenli sonuçlardan kaçınır.
- Hiyerarşik havuzlamanın yanlılık azaltma faydalarını model ortalamasının sağlamlığıyla birleştirir.
- Sonsal model olasılıkları, rakip model yapılarının yorumlanabilir bir sıralamasını sağlar.
- Hiyerarşik bileşen aracılığıyla kümelenmiş, gruplandırılmış veya çok düzeyli verileri doğal olarak ele alır.
- Kovaryat seçimi veya rastgele etkiler spesifikasyonu gibi keyfi modelleme seçimlerine duyarlılığı azaltır.
- Marjinal olabilirlikler genellikle analitik olarak imkansızdır ve yaklaştırılması gerekir (örn. BIC, Laplace yaklaşımı veya köprü örneklemesi yoluyla), bu da yaklaşım hatasına yol açar.
- Hesaplama maliyeti aday model sayısıyla ölçeklenir; büyük model alanları üzerinde kapsamlı ortalama alma, MC3 veya stokastik arama gibi özel stratejiler gerektirir.
- Sonuçlar modeller üzerindeki önsel olasılıklara bağlıdır; belirsiz veya kötü gerekçelendirilmiş model önsel olasılıkları, aşırı karmaşık modeller üzerindeki ağırlığı artırabilir.
- Aynı değişken bazı modellerde yer alırken diğerlerinde yer almadığında, ortalaması alınmış katsayıların yorumlanması zor olabilir (dahil etme olasılığı rapor edilmelidir).
SSS
HBMA, sadece BIC ile en iyi hiyerarşik modeli seçmekten nasıl farklıdır?
BIC tabanlı seçim, bir modeli seçer ve diğer tüm modelleri atar, bu modelin doğru olup olmadığına dair belirsizliği göz ardı eder. HBMA, tüm aday modelleri sonsal olasılıklarına göre ağırlıklandırarak korur, böylece tahminler her model içindeki parametre belirsizliğini ve hangi modelin doğru olduğuna dair belirsizliği yansıtır. Modeller neredeyse eşit derecede desteklendiğinde, ortalama alma, seçime kıyasla güven aralıklarını önemli ölçüde genişletir.
HBMA'da bir değişkenin dahil etme olasılığı nedir?
Bir değişkenin dahil etme olasılığı, o değişkeni içeren tüm modellerin sonsal model olasılıklarının toplamıdır. Yüksek bir dahil etme olasılığı (örn. 0.5 veya 0.9'un üzerinde), verilerin diğer modelleme seçimlerinden bağımsız olarak değişkenin varlığını güçlü bir şekilde desteklediğini gösterirken, düşük bir dahil etme olasılığı değişkenin katkısının zayıf veya gereksiz olduğunu düşündürür.
Marjinal olabilirlikler imkansız olduğunda HBMA'yı MCMC ile kullanabilir miyim?
Evet. Markov zinciri Monte Carlo model kompozisyonu (MC3) veya tersine atlamalı MCMC, örnekleyicinin parametre değerleri arasında olduğu gibi modeller arasında da hareket etmesine olanak tanır. Her modelde geçirilen MCMC iterasyonlarının oranı, sonsal olasılığını tahmin eder. Bu, açık marjinal olabilirlik hesaplamasından kaçınır ancak modeller arası hareketlerin tasarlanmasında dikkat gerektirir.
Aday model kümesi ne kadar büyük olabilir?
p öngörücü ile tam model alanı 2^p adaya sahiptir, bu da kapsamlı numaralandırma için yaklaşık p = 25'in ötesinde imkansız hale gelir. Stokastik arama, MC3 veya odaklanmış aday kümeleri (örn. alan teorisi tarafından tanımlanan modeller) standart çözümlerdir. Farklı rastgele etkiler yapıları da ortalaması alınıyorsa, hiyerarşik bileşen karmaşıklığı artırır.
Tüm model ağırlıkları ne zaman tek bir model üzerinde yoğunlaşır?
Çok büyük bir örneklemle marjinal olabilirlik oldukça ayırt edici hale gelir ve en iyi modelin sonsal olasılığı 1'e yaklaşır, bu da HBMA'yı sıradan model seçimine indirger. Bu rejimde, ortalama almaktan elde edilen kazanç küçüktür, ancak prosedür geçerli ve muhafazakar kalır.
Kaynaklar
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–417. link ↗
- Fragoso, T. M., Bertoli, W., & Louzada, F. (2018). Bayesian model averaging: A systematic review and conceptual classification. International Statistical Review, 86(1), 1–28. DOI: 10.1111/insr.12243 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hierarchical Bayesian Model Averaging. ScholarGate. https://scholargate.app/tr/bayesian/hierarchical-bayesian-model-averaging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Bilgi Ölçütü (BIC)Model değerlendirme↔ karşılaştır
- Bayes RegresyonuBayesçi↔ karşılaştır
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Hiyerarşik Markov Zinciri Monte CarloBayesçi↔ karşılaştır