对于平坦的先验,ML(频率-最大似然)和MAP(贝叶斯-最大后验)估计量是重合的。
但是,更笼统地说,我说的是作为某些损失函数的优化子而得出的点估计量。即
)X(
x^(.)=argminE(L(X−x^(y))|y) (Bayesian)
x^(.)=argminE(L(x−x^(Y))|x)(Frequentist)
其中E是期望算子,L是损失函数(最小为零),x^(y)是估计器,给定参数x的数据y,并且随机变量用大写字母表示。yx
是否有人知道L,x和y的pdf y,施加的线性度和/或无偏度的任何条件,这些条件在哪些条件下估计会重合?
编辑
正如评论中指出的那样,要求公正性(例如无偏见)才能使频率论问题有意义。固定先验也可能是普遍现象。
除了某些答案提供的一般性讨论之外,问题实际上还在于提供实际示例。我认为重要的一个来自线性回归:
- OLS,x^=(D′D)−1D′y是BLUE(高斯-马尔可夫定理),也就是说,它使线性无偏估计量中的频繁MSE最小化。
- 如果(X,Y)为高斯且先验为平坦,则x^=(D′D)−1D′y是“后验”均值,它使任何凸损失函数的贝叶斯均值损失最小。
在这里,D似乎分别被称为常客/贝叶斯术语中的数据/设计矩阵。