Answers:
可交换性不是分层模型的基本功能(至少不是在观察级别上)。从标准文献来看,它基本上是“独立且分布相同”的贝叶斯类似物。这只是描述您对当前情况所了解的一种方式。也就是说,“改组”不会改变您的问题。我想想到的一种方法是考虑给您的情况 但是你没有被告知 。如果学习到 会让您怀疑的特定值 比其他更多,则该序列不可交换。如果它什么都没告诉你,则序列是可交换的。请注意,可插拔性是“在信息中”而不是“在现实中”-这取决于您所知道的。
尽管就观察到的变量而言,可交换性不是必不可少的,但是如果没有某种可交换性的概念,则可能很难适应任何模型,因为如果没有可交换性,您基本上就没有理由将观察结果汇集在一起。因此,我的猜测是,如果模型中某处没有可交换性,您的推论将更弱。例如,考虑 对于 。如果 完全可以互换,那么这意味着 和 。如果 有条件地交换给定 那么这意味着 。如果 有条件地交换给定 那么这意味着 。但是请注意,在这两种“有条件可交换”情况下,推理的质量均比第一种情况降低,因为存在额外的问题中引入的参数。如果我们没有交换能力,那么我们基本上有 不相关的问题。
基本上可交换性意味着我们可以进行推断 对于任何 和 可以部分交换
不是!我这里不是专家,但我会给我两美分。通常,当您具有分层模型时,请说
我们做出条件独立性假设,即条件为 , 可以互换。如果第二层不可交换,则可以包含另一个使其可交换的层。但是,即使在您无法假设例外的情况下,该模型仍可能非常适合您在第一级的数据。
最后但并非最不重要的一点是,仅当您要根据De Finetti的表示定理进行思考时,可交换性才重要。您可能只是认为先验是可帮助您拟合模型的正则化工具。在这种情况下,可交换性假设与模型适合数据的情况一样好。换句话说,如果您认为贝叶斯层次模型是更好地适应数据的方法,那么可交换性在任何意义上都不是必不可少的。
<pre>...</pre>
以HTML格式)。有关Markdown格式的更多信息,请参见此处。