Phương pháp Bayes thực nghiệm

Bayes thực nghiệm ước tính phân phối tiên nghiệm từ chính dữ liệu, mang lại nhiều lợi ích của mô hình phân cấp với chi phí tính toán thấp hơn.

Definition

Bayes thực nghiệm là một phương pháp tiếp cận suy luận phân cấp, trong đó các tham số của phân phối tiên nghiệm được ước tính từ dữ liệu quan sát, thường bằng cách tối đa hóa khả năng xảy ra biên, và sau đó được coi là đã biết khi tính toán các phân phối hậu nghiệm cho các đại lượng cấp nhóm.

Scope

Chủ đề này bao gồm Bayes thực nghiệm tham số và phi tham số, ước tính siêu tham số bằng khả năng xảy ra tối đa biên hoặc phương pháp moment, mối liên hệ với co rút James-Stein, và lưu ý rằng Bayes thực nghiệm có thể đánh giá thấp sự không chắc chắn bằng cách bỏ qua sai số trong phân phối tiên nghiệm ước tính.

Core questions

• Các siêu tham số được ước tính từ phân phối biên của dữ liệu như thế nào?
• Bayes thực nghiệm liên quan đến mô hình phân cấp Bayes hoàn chỉnh như thế nào?
• Tại sao nó lại liên quan đến các ước lượng co rút James-Stein?
• Bayes thực nghiệm có thể đánh giá thấp sự không chắc chắn theo cách nào?

Key concepts

• Bayes thực nghiệm
• khả năng xảy ra tối đa biên
• ước tính siêu tham số
• ước lượng James-Stein
• co rút
• tỷ lệ phát hiện sai
• đánh giá thấp sự không chắc chắn

Key theories

Ước tính phân phối tiên nghiệm từ dữ liệu

Bằng cách điều chỉnh các siêu tham số của phân phối tiên nghiệm theo phân phối biên của tất cả dữ liệu, Bayes thực nghiệm học cách tổng hợp mà không cần chỉ định một siêu phân phối tiên nghiệm, xấp xỉ phân phối hậu nghiệm phân cấp đầy đủ.

Mối liên hệ với co rút Stein

Ước lượng James-Stein có thể được suy ra như một quy tắc Bayes thực nghiệm tham số, làm rõ rằng các phân phối tiên nghiệm được ước tính từ dữ liệu tạo ra sự co rút giúp giảm tổng sai số.

Clinical relevance

Bayes thực nghiệm là nền tảng của suy luận quy mô lớn trong genomics và hình ảnh học, nơi hàng nghìn hiệu ứng được ước tính đồng thời và các phân phối tiên nghiệm dựa trên dữ liệu giúp ổn định các ước tính và kiểm soát các phát hiện sai.

History

Robbins đã giới thiệu Bayes thực nghiệm vào năm 1956; Efron và Morris đã liên hệ nó với co rút Stein vào những năm 1970. Sự phát triển của dữ liệu thông lượng cao đã đưa Bayes thực nghiệm trở thành trung tâm của suy luận đồng thời quy mô lớn, như được phát triển trong chuyên khảo năm 2010 của Efron.

Debates

Bỏ qua sự không chắc chắn trong phân phối tiên nghiệm ước tính

Vì Bayes thực nghiệm sử dụng các ước tính điểm của siêu tham số, nó có thể tạo ra các khoảng tin cậy quá tự tin so với một phân tích Bayes hoàn chỉnh có tính đến sự không chắc chắn đó.

Key figures

• Herbert Robbins
• Bradley Efron
• Carl Morris

Seminal works

• robbins1956
• efron2010

Frequently asked questions

Bayes thực nghiệm có thực sự là Bayes không?

Đây là một phương pháp lai: nó sử dụng định lý Bayes cho các tham số cấp nhóm nhưng ước tính phân phối tiên nghiệm từ dữ liệu thay vì chỉ định trước, điều này xấp xỉ một mô hình phân cấp đầy đủ trong khi thường đánh giá thấp sự không chắc chắn trong phân phối tiên nghiệm.