Sağlam Bayesçi Model Ortalaması
Robust Bayesian Model Averaging · Ayrıca şöyle bilinir: robust BMA, outlier-robust BMA, robust model averaging, heavy-tailed BMA
Sağlam Bayesçi model ortalaması, standart BMA'yı, duyarlı eşlenik öncelikleri ağır kuyruklu veya karışım öncelikleri (örneğin, g-öncelik karışımları) ile ve isteğe bağlı olarak sağlam olabilirliklerle değiştirerek genişletir, böylece veri aykırı değerler, etkili gözlemler içerdiğinde veya model parametreleri üzerindeki öncelik sonuçları domine ettiğinde, sonlu model olasılıkları ve ortalaması alınmış tahminler kararlı kalır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Model belirsizliği üzerinden ortalama almak istediğinizde ancak verileriniz standart BMA sonuçlarını bozabilecek aykırı değerler veya etkili noktalar içerebileceğinde veya öncelik ölçek parametresinin (g) seçimi belirsiz olduğunda ve verinin bunu bilgilendirmesini istediğinizde sağlam BMA kullanın. Ayrıca, standart g-önceliklerinin Bartlett paradoksu davranışı ürettiği bilinen çok sayıda aday tahmincinin olduğu değişken seçimi problemlerinde de uygundur. Veriler temiz ve iyi davranışlı olduğunda standart BMA için ilk tercih olarak kullanmayın — bu ortamlarda ek karmaşıklık fayda olmaksızın hesaplama maliyetini artırır.
Güçlü yönler & sınırlılıklar
- Her tahmine ve tahmine hem parametre belirsizliğini hem de model belirsizliğini yayar.
- Ağır kuyruklu veya karışım öncelikleri, aykırı değerlere ve keyfi öncelik-ölçek seçimlerine karşı duyarlılığı azaltır.
- g'nin veri uyarlanabilir olmasına izin vererek sabit-g önceliklerinin yol açtığı Bartlett paradoksunu önler.
- Regresyon, değişken seçimi ve tahmin ayarlarında uygulanabilir.
- Sonlu model olasılıkları, rakip modellerin yorumlanabilir bir sıralamasını sağlar.
- 2^p modelin üzerinden toplama, büyük p için hesaplama açısından imkansızdır; Markov zinciri Monte Carlo model kompozisyonu (MC3) veya stokastik arama gereklidir.
- Sonlu model olasılıkları, model uzayı önceliğine duyarlıdır, özellikle p, n'ye göre büyük olduğunda.
- En üst modellerin dahil edilen tahminciler açısından önemli ölçüde farklılaştığı durumlarda ortalaması alınmış tahminin yorumlanması zor olabilir.
- Sağlam öncelikler, kendi başına gerekçelendirme gerektiren bir hiperparametre katmanı ekler.
SSS
Bu, standart BMA'ya kıyasla neden 'sağlam'dır?
Sabit bir g-önceliği ile standart BMA, katsayı önceliğine belirli bir ölçek atar; kötü bir seçim veya birkaç aykırı değer, marjinal olabilirlikleri domine ederek sonlu model ağırlıklarını güvenilmez bir şekilde kaydırabilir. Sağlam BMA, marjinal olabilirliklerin bu seçimlere daha az duyarlı olması için daha ağır kuyruklara veya veri uyarlanabilir ölçeklere (örneğin, g-öncelik karışımları) sahip öncelikler kullanır.
Bartlett paradoksu nedir ve neden burada önemlidir?
Katsayılar üzerindeki öncelik varyansı sonsuza gittiğinde (bir g-önceliğinde g → ∞), her null olmayan modelin marjinal olabilirlik, null modelinkine çöker, bu da herhangi bir değişkeni önemli olarak tanımlamayı imkansız hale getirir. Sağlam yaklaşımlar, g üzerinde uygun bir karışım önceliği kullanarak bunu düzeltir, böylece marjinal olabilirlik bilgilendirici kalır.
Pratikte 2^p model-uzayı toplamıyla nasıl başa çıkarım?
Yaklaşık 20-25'in üzerindeki p için, tam sayım imkansızdır. Markov zinciri Monte Carlo model kompozisyonu (MC3), model uzayı üzerinde rastgele bir yürüyüş kullanır ve yüksek olasılıklı modellere daha sık uğrar. Ziyaret edilen modeller tam sonlu model dağılımını yaklaştırır.
BMA tahminlerini mi yoksa tek en iyi modeli mi rapor etmeliyim?
BMA tahminleri, tahmin ve modellerden bilgiyi toplayan nicelikler için tercih edilir. Amaç tek bir yorumlanabilir model ise ve BMA zaten tek bir model tarafından domine ediliyorsa, o modeli rapor etmek makuldür — ancak BMA sonlu model olasılıkları hala kontrol edilmeli ve raporlanmalıdır.
Sağlam BMA, doğrusal olmayan veya Gauss olmayan modellerle çalışır mı?
Evet, prensip genelleştirilmiş doğrusal modellere ve ötesine genişler, ancak marjinal olabilirliklerin hesaplanması kapalı form ifadeler yerine Laplace yaklaşımları veya termodinamik entegrasyon gerektirir, bu da hesaplama maliyetini önemli ölçüde artırır.
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 ↗
- Ley, E., & Steel, M. F. J. (2012). Mixtures of g-priors for Bayesian model averaging with economic applications. Journal of Econometrics, 171(2), 251–266. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Bayesian Model Averaging. ScholarGate. https://scholargate.app/tr/bayesian/robust-bayesian-model-averaging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Sağlam Bayesçi ÇıkarımBayesçi↔ karşılaştır
- Varyasyonel ÇıkarımBayesçi↔ karşılaştır