与Jeffreys不同,先验的示例导致后验不变


17

我将在两周前在这里提出的问题重新发布“答案”:为什么Jeffreys事前有用?不过,这确实是一个问题(我当时也无权发表评论),所以我希望可以这样做:

在上面的链接中,讨论了Jeffreys Prior的有趣特征是,在重新参数化模型时,所得后验分布给出了服从变换施加的约束的后验概率。比方说,如那里所讨论的,从所述成功概率移动时θ在Beta-伯努利例如赔率ψ=θ/(1θ),它应该是的情况下,该后验满足P(1/3θ2/3X=x)=P(1/2ψ2X=x)

我想创建一个将θ转换为奇数ψ的Jeffreys先验不变性的数值示例,更有趣的是,缺少其他先验(例如Haldane,均等或任意先验)。

现在,如果成功概率的后验是Beta(对于任何Beta先验,不仅是Jeffreys),则赔率的后验遵循具有相同参数的第二种Beta分布(请参阅Wikipedia)。然后,正如下面的数字示例中突出显示的那样(至少对我来说),对于Beta优先级的任何选择(与alpha0_U和一起玩)都是不变beta0_U,这不仅是Jeffreys,参见。程序的输出。

library(GB2) 
# has the Beta density of the 2nd kind, the distribution of theta/(1-theta) if theta~Beta(alpha,beta)

theta_1 = 2/3 # a numerical example as in the above post
theta_2 = 1/3

odds_1 = theta_1/(1-theta_1) # the corresponding odds
odds_2 = theta_2/(1-theta_2)

n = 10 # some data
k = 4

alpha0_J = 1/2 # Jeffreys prior for the Beta-Bernoulli case
beta0_J = 1/2
alpha1_J = alpha0_J + k # the corresponding parameters of the posterior
beta1_J = beta0_J + n - k

alpha0_U = 0 # some other prior
beta0_U = 0
alpha1_U = alpha0_U + k # resulting posterior parameters for the other prior
beta1_U = beta0_U + n - k

# posterior probability that theta is between theta_1 and theta_2:
pbeta(theta_1,alpha1_J,beta1_J) - pbeta(theta_2,alpha1_J,beta1_J) 
# the same for the corresponding odds, based on the beta distribution of the second kind
pgb2(odds_1, 1, 1,alpha1_J,beta1_J) - pgb2(odds_2, 1, 1,alpha1_J,beta1_J) 

# same for the other prior and resulting posterior
pbeta(theta_1,alpha1_U,beta1_U) - pbeta(theta_2,alpha1_U,beta1_U)
pgb2(odds_1, 1, 1,alpha1_U,beta1_U) - pgb2(odds_2, 1, 1,alpha1_U,beta1_U)

这给我带来了以下问题:

  1. 我会弄错吗?
  2. 如果否,那么是否有共轭族不缺少不变性之类的结果?(快速检查使我怀疑,例如在正常-正常情况下,我是否也不会缺乏不变性。)
  3. 您是否知道一个(最好是简单的)例子,其中我们确实缺乏不变性?

1
您不需要R代码(我不能在R版本3.0.2中运行)来验证不变性,因为它是似然性的属性。先验不变性是指用于选择先验规则的规则的构建,该规则不依赖于采样模型参数化的选择。
西安

1
有所不便,敬请谅解。它在我的计算机上与R 3.1.2一起运行。如果我可以跟进,您的意见是否暗示我误解了Zen对Stephane Laurent的第1项已接受答案的评论,原因是Jeffreys事前有用吗?
Christoph Hanck

Answers:


19

您的计算似乎正在验证,当我们具有特定的先验分布,以下两个过程p(θ)

  1. 计算后验pθD(θD)
  2. 变换上述后部成其他参数化,以获得pψD(ψD)

  1. 变换现有成其他参数化,以获得p ψψ pθ(θ)pψ(ψ)
  2. 使用现有,计算后验p ψ | dψ | d pψ(ψ)pψD(ψD)

导致后验相同。实际上,这总是会发生的(凹腔;只要变换使得ψ上的分布由θ上的分布确定)。ψψθ

但是,这不是所讨论的不变性的重点。相反,问题是,当我们有一种确定先验的特定方法时,是否需要以下两个过程:

  1. 使用方法决定之前决定pθ(θ)
  2. 转换该分发到pψ(ψ)

  1. 使用方法决定之前决定pψ(ψ)

导致具有相同的先验分布。如果它们导致相同的先验,则它们的确也将导致相同的后验(正如您已经验证的几种情况)。ψ

正如@ NeilG的答复中提到,如果你的方法,事先定制服的参数“决定之前就是,你不会得到的概率/赔率情况相同之前,作为统一之前的[ 0 1 ]是不统一为ψ[ 0 θ[0,1]ψ[0,)

相反,如果您确定先验的方法是“使用Jeffrey先验作为参数”,则将其用于并转换为ψ参数化还是直接用于ψ无关紧要。这就是要求的不变性。θψψ


1

似乎您正在验证由数据引起的可能性不受参数化的影响,这与先验无关。

如果您选择先验的方式是例如“选择统一的先验”,那么在一个参数化下统一的东西(例如Beta,即Beta(1,1))在另一个参数化下(例如BetaPrime(1,1))不是统一的)(歪斜)—如果存在这种情况,则BetaPrime(1,-1)是统一的。

杰弗里斯先验是在重新参数化下不变的唯一“选择先验方式”。因此,它比其他任何选择先验方法的假设要少。


我认为Jeffreys先验不是唯一不变的先验。当它们不同时,左右Haar度量都是不变的。
西安

@Neil G,我不确定我是否可以按照您的推理,仅查看可能性。当堵塞(例如)alpha1_Jpbetapgb2该参数由两个现有参数(确定alpha1_J)和数据(k),同样地对所有的其它参数。
Christoph Hanck

1
(+1)您希望主观先验的启发也将是参数不变的。
Scortchi-恢复莫妮卡

1
@禅:是的,的确我太匆忙了:哈尔措施是一个不正确的例子。不过,我不知道为什么杰弗里斯是唯一不变的先验……
西安

2
@西安:如果我的记忆没有让我失望,则在Cencov书(amazon.com/…)中有一个定理,从某种意义上(?),可以证明Jeffreys Prior是镇上唯一拥有该定理的人。必要的不变性。我无法获得他的证明。它使用类别理论,函子,态射等语言。en.wikipedia.org/wiki/Category_theory
Zen
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.