Mô hình Bayes phân cấp
Mô hình Bayes phân cấp chia sẻ thông tin giữa các đơn vị liên quan bằng cách gán cho các tham số của chúng một phân bố tiên nghiệm chung, tạo ra sự gộp nhóm một phần giúp cải thiện các ước tính cho mọi nhóm.
Definition
Một mô hình Bayes phân cấp đặt một phân bố tiên nghiệm lên các tham số cụ thể của nhóm mà bản thân nó phụ thuộc vào các tham số cấp cao hơn với các phân bố (siêu) tiên nghiệm riêng của chúng, sao cho thông tin được mượn giữa các nhóm và sự không chắc chắn lan truyền qua tất cả các cấp của hệ thống phân cấp.
Scope
Lĩnh vực này bao gồm cấu trúc mô hình đa cấp và gộp nhóm một phần, vai trò của các phân bố siêu tiên nghiệm đối với các tham số cấp quần thể, sự co rút kết quả của các ước tính nhóm về phía giá trị trung bình tổng thể, và phép xấp xỉ Bayes thực nghiệm ước tính phân bố tiên nghiệm từ dữ liệu.
Sub-topics
Core questions
- Phân bố tiên nghiệm phân cấp tạo ra sự gộp nhóm một phần giữa các nhóm như thế nào?
- Các siêu tham số và siêu tiên nghiệm đóng vai trò gì trong mô hình?
- Tại sao và làm thế nào các ước tính cấp nhóm bị co rút về phía giá trị trung bình của quần thể?
- Bayes thực nghiệm xấp xỉ một phân tích phân cấp đầy đủ như thế nào?
Key concepts
- mô hình đa cấp
- gộp nhóm một phần
- siêu tham số
- siêu tiên nghiệm
- co rút
- hiệu ứng ngẫu nhiên
- Bayes thực nghiệm
- mượn sức mạnh
Key theories
- Gộp nhóm một phần
- Bằng cách ước tính các tham số nhóm cùng nhau dưới một phân bố tiên nghiệm chung, các mô hình phân cấp nội suy giữa không gộp nhóm và gộp nhóm hoàn toàn, với mức độ gộp nhóm được xác định bởi dữ liệu.
- Co rút và hiệu ứng của Stein
- Việc co rút các ước tính nhóm về phía giá trị trung bình của quần thể làm giảm tổng lỗi ước tính, một hiện tượng liên quan đến tính không chấp nhận được của giá trị trung bình mẫu trong nhiều chiều được chứng minh bởi ước lượng của Stein.
Clinical relevance
Các mô hình phân cấp là công cụ tiêu chuẩn cho phân tích tổng hợp (meta-analysis), thử nghiệm lâm sàng đa trung tâm, ước tính vùng nhỏ, và bất kỳ thiết lập nào có nhiều nhóm liên quan, bởi vì gộp nhóm một phần giúp ổn định các ước tính khi dữ liệu thưa thớt.
History
Lindley và Smith đã chính thức hóa mô hình phân cấp tuyến tính Bayes vào năm 1972, dựa trên công trình của Stein và Bayes thực nghiệm từ những năm 1950-1970 đã tiết lộ lợi ích của sự co rút. Những tiến bộ về tính toán sau đó đã làm cho mô hình phân cấp Bayes hoàn chỉnh trở nên thường quy trong các lĩnh vực ứng dụng.
Debates
- Phân bố tiên nghiệm trên các thành phần phương sai
- Việc lựa chọn siêu tiên nghiệm cho các phương sai cấp nhóm ảnh hưởng mạnh mẽ đến sự co rút khi số lượng nhóm ít, và có những cuộc thảo luận đang diễn ra về việc phân bố tiên nghiệm ít thông tin nào hoạt động tốt nhất.
Key figures
- Dennis Lindley
- Adrian Smith
- Bradley Efron
- Carl Morris
- Andrew Gelman
Related topics
Seminal works
- gelman2013
- efron1975
Frequently asked questions
- Gộp nhóm một phần là gì?
- Gộp nhóm một phần ước tính tham số của mỗi nhóm bằng cách sử dụng cả dữ liệu riêng của nó và thông tin từ các nhóm khác thông qua một phân bố tiên nghiệm chung, tạo ra các ước tính nằm giữa phân tích hoàn toàn riêng biệt (không gộp nhóm) và phân tích hoàn toàn kết hợp (gộp nhóm hoàn toàn).
- Tại sao các ước tính phân cấp lại bị 'co rút'?
- Bởi vì phân bố tiên nghiệm chung kéo ước tính của mỗi nhóm về phía giá trị trung bình tổng thể với một lượng phụ thuộc vào mức độ nhiễu của dữ liệu nhóm đó; các nhóm có dữ liệu nhiễu hơn sẽ bị co rút nhiều hơn, điều này làm giảm lỗi tổng thể.