是否存在REML的贝叶斯解释?根据我的直觉,REML与所谓的经验贝叶斯估计程序非常相似,我想知道是否已经证明了某种渐近等价性(例如,在某种合适的先验条件下)。例如,经验贝叶斯和REML都似乎是面对麻烦参数而采取的“折衷”估计方法。
主要是,我通过这个问题寻求的是这种观点倾向于产生的高级洞察力。当然,如果不能出于某种原因对REML 进行这种性质的论证,那么对为什么这样做的解释也将提供令人欢迎的见解!
是否存在REML的贝叶斯解释?根据我的直觉,REML与所谓的经验贝叶斯估计程序非常相似,我想知道是否已经证明了某种渐近等价性(例如,在某种合适的先验条件下)。例如,经验贝叶斯和REML都似乎是面对麻烦参数而采取的“折衷”估计方法。
主要是,我通过这个问题寻求的是这种观点倾向于产生的高级洞察力。当然,如果不能出于某种原因对REML 进行这种性质的论证,那么对为什么这样做的解释也将提供令人欢迎的见解!
Answers:
对于与后验分布有关的估计量,贝叶斯解释仅存在于贝叶斯分析的框架内。因此,可以给REML估计量进行贝叶斯解释(即从后验取为估计量的解释)的唯一方法是,如果我们将REML分析中的受限对数似然性设为对应的对数后验贝叶斯分析;在这种情况下,REML估计器将是来自贝叶斯理论的MAP估计器,并带有相应的贝叶斯解释。
将REML估计器设置为MAP估计器:比较简单地了解如何将REML分析中的受限对数似然设置为贝叶斯分析中的对数后验。为此,我们要求对数优先级是REML流程删除的对数似然部分的负数。假设我们有对数似然其中是残留的对数似然性,而是相关参数(其中是我们的讨厌参数)。设置的先验为后验:
这给了我们:
该结果使我们能够将REML估计器解释为MAP估计器,因此REML估计器的正确贝叶斯解释是,在上述先验条件下,是使后验密度最大化的估计器。
在说明了向REML估计器提供贝叶斯解释的方法之后,我们现在注意到该方法存在一些大问题。一个问题是,先验是使用对数似然组件,它取决于数据。因此,从某种意义上说,获得这种解释所必需的“先验”不是真正的先验,它是可以在查看数据之前形成的功能。另一个问题是,先验通常会不合适(即,它不会整合为一个),并且随着参数值变得极端而实际上可能会增加权重。(我们将在下面显示一个示例。)
基于这些问题,可以认为REML估计量没有合理的贝叶斯解释。或者,可以认为REML估计量仍然保持上述贝叶斯解释,这是“先验”下的最大后验估计量,必须与指定形式的观测数据一致一致,并且可能非常不合适。
正常数据的图示: REML估计的经典示例是对于正常数据,您对精度感兴趣平均值是令人讨厌的参数。在这种情况下,您具有对数似然函数:
在REML中,我们将这种对数可能性分为两个部分:
我们通过最大化残差似然来获得精度参数的REML估计量,这为方差给出了无偏估计量:
在这种情况下,REML估算器将对应于“先验”密度的MAP估算器:
如您所见,此“优先级”实际上取决于观察到的数据值,因此实际上无法在查看数据之前形成。此外,我们可以看到,显然,在和极值上施加越来越大的权重是“不适当的”先验。(实际上,此先验是相当愚蠢的。)如果通过“巧合”来形成恰好与此结果相对应的先验,则REML估计器将是该先验下的MAP估计器,因此将具有贝叶斯解释作为在该先验条件下最大化后验的估计器。