Answers:
贝叶斯更新的基本思想是,给定一些数据和感兴趣参数θ的先验值,其中数据和参数之间的关系使用似然函数来描述,您可以使用贝叶斯定理获得后验
这可以按顺序进行,在看到第一个数据点先验θ被更新为后验θ ',接下来您可以将第二个数据点x 2并以在θ '之前获得的后验作为您的后验,再次进行更新等。
让我给你举个例子。试想一下,你要估计均值正态分布和σ 2是众所周知的你。在这种情况下,我们可以使用正常-正常模型。我们假设正常之前为μ与超参数μ 0,σ 2 0:
由于正态分布是现有共轭为正态分布的,我们已经闭合形式解来更新现有
不幸的是,这种简单的闭式解决方案不适用于更复杂的问题,您必须依靠优化算法(使用最大后验方法进行点估计)或MCMC仿真。
在下面您可以看到数据示例:
n <- 1000
set.seed(123)
x <- rnorm(n, 1.4, 2.7)
mu <- numeric(n)
sigma <- numeric(n)
mu[1] <- (10000*x[i] + (2.7^2)*0)/(10000+2.7^2)
sigma[1] <- (10000*2.7^2)/(10000+2.7^2)
for (i in 2:n) {
mu[i] <- ( sigma[i-1]*x[i] + (2.7^2)*mu[i-1] )/(sigma[i-1]+2.7^2)
sigma[i] <- ( sigma[i-1]*2.7^2 )/(sigma[i-1]+2.7^2)
}
如果绘制结果图,您将看到随着新数据的积累,后验如何接近估计值(它的真实值用红线标记)。
要了解更多信息,您可以查看那些幻灯片和凯文·P·墨菲对高斯分布论文的共轭贝叶斯分析。还检查贝叶斯先验是否与大样本量无关?您还可以检查这些注释和此博客条目,以获取有关贝叶斯推理的逐步介绍。
这是贝叶斯数据分析的核心计算问题。这实际上取决于所涉及的数据和分布。对于所有事物都可以用闭合形式表示的简单情况(例如,使用共轭先验),可以直接使用贝叶斯定理。马尔可夫链蒙特卡洛是最复杂情况下最流行的技术系列。有关详细信息,请参见有关贝叶斯数据分析的任何入门教科书。