从频繁结果中得出贝叶斯先验


13

如何将频繁出现的结果转换为贝叶斯先验结果?

考虑以下非常普通的场景:过去进行了一次实验,并测量了某些参数结果。该分析是采用常客方法进行的。结果中给出了置信区间。φϕϕ

我现在正在进行一些新的实验,我想测量一些其他参数,例如和。我的实验与以前的研究不同---它不是使用相同的方法进行的。我想进行贝叶斯分析,因此需要将先验放在和。φ θ φθϕθϕ

以前没有进行过测量,因此我在其上放了一个无信息的信息(例如其统一的信息)。 θ

如前所述,有一个先前的结果,以置信区间给出。要在我的当前分析中使用该结果,我需要将以前的常客性结果转换为内容丰富的先验信息以进行分析。 ϕ

在这种组合方案中不可用的一个选项是重复先前的分析,以贝叶斯方式进行测量。 如果我可以做到这一点,那么将具有先前实验的后验,然后将其用作我的先验,那么就没有问题了。ϕ ϕ

我应该如何将常客身份CI转换为贝叶斯先验分布以进行分析?或者换句话说,我怎么可能对他们的翻译结果frequentest在成后,我会再在我的分析之前使用?φϕϕ

欢迎讨论此类型问题的任何见解或参考。


先验或后验分布?
蒂姆

为清晰起见进行编辑,更好吗?
bill_e

您可以穿从-infinity到+ infinity的制服吗
mdewey

不确定这与荟萃分析有什么关系。您能澄清
一下

3
您正在寻找匹配的先验,Welch和Peers风格。看看这个观点:projecteuclid.org/euclid.lnms/1215091929

Answers:


3

简短版:采用以标准差为中心的高斯模型。开发。等于CI。

长版本:假设为参数的真实值,并使为您的估计值。假设先验先验统一先验。考虑到已经获得估计,您想知道的分布:φ P φ = c ^ φ 0 φϕ0ϕ^P(ϕ)=ctϕ0ϕ^

φ0P φ |φ0 φ

P(ϕ0|ϕ^)=P(ϕ^|ϕ0)P(ϕ0)P(ϕ^)=P(ϕ^|ϕ0)ctP(ϕ^)
现在,对的唯一依赖是项,其余的是归一化常数。假设是最大似然估计量(或其他一些一致的估计量),我们可以使用以下事实:ϕ0P(ϕ^|ϕ0)ϕ^
  1. 随着观察次数的增加,MLE渐近为高斯,
  2. 它是渐近无偏的(以真实值为中心),ϕ0
  3. 它围绕波动,其方差等于先前观测值的反Fisher信息,这就是我将其用作CI(平方)的原因。ϕ0

换句话说,贝叶斯后验和一致且有效的估计量的分布在渐近上变得相同。


我应该补充一点,该解决方案适用于68%CI,即1 sigma。如果您的置信区间为95%,则您处于两个西格玛,因此应将CI除以2,如果它们的置信区间为99.7%,则它们为3西格玛,因此应除以3。en.wikipedia.org/wiki/ 68%E2%80%9395%E2%80%9399.7_rule
Alex Monras

我要评论的正是您的评论:-)也许您应该将其添加到您的回复中。我会...
Rolazaro Azeveires

1

这取决于。在一些具有正态分布数据的简单情况下,当您具有基于分布的频繁度置信区间时,贝叶斯分析的相应边际后验将是移位的,重新定标的学生,其分位数与频繁度置信度匹配,请参阅https ://en.wikipedia.org/wiki/Student%27s_t-distribution#Bayesian_inference。类似地,如果您对某些像类的关键量的卡方分布具有方差参数频繁置信区间σ 2 小号2Ñ - p / σ 2 α 1 / σ 2ttσ2S2(np)/σ2,相应的贝叶斯边际后验将是“反比例缩放的卡方”(反伽马分布),再次具有与频度置信度限制匹配的分位数(前提是之前的非信息量表为用过的)。 1/σ2

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.