非常好的问题!确实有道理,“好的”先验分布为“真”参数给出了正的概率或正的密度值,但是从纯粹的决策角度来看,不一定是这种情况。一个简单的反例,当是先验密度,而是参数的“真”值时,应该是必需的卡塞拉和Strawderman的minimaxity结果(1981):估计正常平均时基于单个观测与所述附加约束, π (θ 0)> 0 π (⋅ )θ 0 μ X 〜Ñ(μ ,1 )| μ | < ρ ρ ρ ≤ 1.0567 { - ρ ,ρ }θ0
π(θ0)>0
π(⋅)θ0μx∼N(μ,1)|μ|<ρρ足够小,特别是,其中估计量对应于上的(最不喜欢)均匀值,这意味着给和(平均值)
当增加时,最不利的先验会看到其支持增加,但保留了一组有限的可能值。但是,后验期望可以在上取任何值。
ρ≤1.0567{−ρ,ρ}- ρ ρ μ π (θ )= 1π−ρρμρÈ[μ| x](-ρ,ρ)π(θ)=12δ−ρ(θ)+12δρ(θ)
ρE[μ|x](−ρ,ρ)
讨论的核心(请参阅评论)可能是,如果将Bayes估计量约束为的支持点
,则其属性将完全不同。π(⋅)
同样,在考虑可允许的估计量时,与紧凑集上的适当先验相关联的贝叶斯估计量通常是可接受的,尽管它们的支持有限。
在这两种情况下,都是在可能的参数范围内定义常客性概念(极小或可容许性),而不是在参数的“真实”值下定义(这带来了问题4的答案)。例如,查看后验风险
或有贝叶斯风险
不涉及真实值。
∫ΘL(θ,δ)π(θ|x)dθ
∫X∫ΘL(θ,δ)π(θ)f(x|θ)dθdx
θ0
此外,如以上示例中所指出的,当贝叶斯估计量是由诸如后均值
的二次(或)损失,在这种支持不是凸的情况下,该估计器可能会采用支持之外的值。
θ^π(x)=∫Θθπ(θ|x)dθ
L2π
顺便说一句,阅读时
为了使真实的θ生成数据(即“存在”),θ必须是π下的可能变量,例如具有非零概率,非零密度
我认为这是对先验含义的错误陈述。先验分布不代表实际的物理(或真实)机制,该机制看到从生成的参数值,然后看到从生成的观测值。先验是对参数空间的一种参考度量,它结合了有关该参数的先验信息和主观信念,并且绝不是唯一的。贝叶斯分析始终与进行该贝叶斯分析的先验选择有关。因此,绝对参数true不必属于的支持。显然,当此支持是紧凑的连接集时, π X ˚F (X | θ 0)π 甲甲θ πθ0πxf(x|θ0)πA,无法通过后均值一致地估计集合之外的参数的任何值,但这甚至不能阻止估计值的接受。Aθ^π