有些分布具有共轭先验,有些则没有。这种区别仅仅是偶然吗?就是说,您进行数学运算,它可以以一种方式或另一种方式进行计算,但是除了事实本身之外,它没有真正告诉您关于分布的任何重要信息吗?
还是共轭先验的存在与否反映了分布的某些更深层次的性质?具有共轭先验的分布是否共享一些其他有趣的特性,或者其他分布所缺少的特性导致那些分布(而不是其他)具有共轭先验?
有些分布具有共轭先验,有些则没有。这种区别仅仅是偶然吗?就是说,您进行数学运算,它可以以一种方式或另一种方式进行计算,但是除了事实本身之外,它没有真正告诉您关于分布的任何重要信息吗?
还是共轭先验的存在与否反映了分布的某些更深层次的性质?具有共轭先验的分布是否共享一些其他有趣的特性,或者其他分布所缺少的特性导致那些分布(而不是其他)具有共轭先验?
Answers:
我对贝叶斯统计非常陌生,但是在我看来,所有这些分布(如果不是所有分布,那么至少是那些有用的分布)都具有这样的特性:对于定义它们的观测值,使用了一些有限的度量来描述它们。 。即,对于正态分布,您不需要了解每个观测值的每个细节,只需知道它们的总数和总和即可。
换句话说,假设您已经知道分布的类别/家族,那么分布的信息熵严格低于产生它的观察值。
这看似微不足道,还是您要找的东西?
什么属性是“深层的”是一个非常主观的问题!因此答案取决于您的“深层”概念。但是,从某种意义上说,如果具有共轭先验是一种“深层”特性,则该意义是数学上的而非统计上的。(一些)统计学家对共轭先验感兴趣的唯一原因是他们简化了一些计算。但这对于过去的每一天来说都没有那么重要!
EDIT
因此,总而言之,可以将指数族中常见的共轭familes证明为导致线性方法的先验,也可以作为代表先验数据的先验来证明。希望这个扩展的答案有所帮助!