选拔专家

拟合贝叶斯模型时，我应该如何从专家那里得到先验分布？

约翰·库克（John Cook）提出了一些有趣的建议。基本上，请从专家那里获取百分位/分位数（不是均值或模糊的比例尺参数！），并使用适当的分布对其进行拟合。

http://www.johndcook.com/blog/2010/01/31/parameters-from-percentiles/

我目前正在为硕士论文研究轮盘赌的试验方法，将其作为一种启发技术。这是一种图形方法，可让专家表示不确定量的主观概率分布。

给专家提供代表相同密度的计数器（或人们认为是赌场筹码的计数器），它们的总和总计为1-例如20个概率为0.05的筹码。然后指示它们将它们排列在预打印的网格上，并用bin表示结果间隔。每列将代表他们对获得相应bin结果的可能性的信念。

示例：要求学生在以后的考试中预测分数。下图显示了用于启发主观概率分布的完整网格。网格的水平轴显示了要求学生考虑的可能的箱（或标记间隔）。第一行中的数字记录每个仓中的筹码数量。完整的网格（总共使用20个筹码）表明学生认为分数在60到64.9之间的可能性为30％。

支持使用此技术的一些原因是：

1. 可以回答有关专家主观概率分布形状的许多问题，而无需向专家提出一连串的问题-统计学家可以简单地读出任何给定点以上或以下或任何两点之间的密度。

2. 在激发过程中，如果对最初放置它们的方式不满意，专家可以在芯片周围移动-这样他们可以确定要提交的最终结果。

3. 它迫使专家在所提供的概率集合中保持一致。如果使用了所有筹码，则概率之和必须为1。

4. 图形方法似乎可以提供更准确的结果，尤其是对于那些统计统计水平不高的参与者而言。

取消先验是一项棘手的事情。

推论概率分布和推论概率分布的统计方法是事先引出的很好的实用指南。这两篇论文的过程概述如下：

1. 背景和准备；
2. 确定和征聘专家；
3. 激励和培训专家；
4. 结构化和分解（通常精确地确定应引起哪些变量，以及在多变量情况下如何引起联合分布）；
5. 启发本身。

当然，他们还审查了诱因如何产生可能适合或以其他方式定义分布的信息（例如，在贝叶斯语境下，Beta分布），但很重要的是，他们还解决了专家知识建模中的常见陷阱（锚定，狭小分布等）。

我建议让专家指定先验的均值或方式，但我可以随意调整他们给出的量表。大多数人不太擅长量化方差。

而且，我绝对不会让专家确定分布族，尤其是尾部厚度。例如，假设您需要先验的对称分布。没有人能如此精确地说明他们的主观信念，以至于将正态分布与具有5个自由度的Student-t分布区分开来。但是在某些情况下，t（5）先验比正常先验具有更强的鲁棒性。简而言之，我认为选择尾巴厚度是一个技术统计问题，而不是量化专家意见。

这个有趣的问题是ACERA研究的主题。首席研究员是安德鲁·斯皮尔斯·布里奇，他的工作非常受谷歌欢迎:)