Answers:
Gelman等。(2003)说:
长期以来,人们一直希望可以保证先验分布在后验分布中发挥最小的作用。这种分布有时被称为“参考先验分布”,并且先验密度被描述为模糊,平坦或无信息。[从原文中强调]
基于我对Gelman等人对Jeffreys先验的讨论的阅读。(2003年,第62ff页),关于是否存在真正的非信息性先验尚无共识,并且足够模糊/平坦/分散的先验就足够了。
他们提出的一些观点:
请注意,这是社区Wiki-基本理论在我的理解范围内,我希望为这一回答做出贡献。
绝对不是,尽管它们经常互换使用。参数的模糊先验(相对不为人所知,相对于其他值而言并不真正偏爱某些值)实际上可以在某些其他变换f (θ )上诱导出非常有益的先验。这至少是杰弗里斯(Jeffreys)先前动机的一部分,后者最初被构造为尽可能不提供信息。
模糊的先验还可以对您的模型做一些相当痛苦的事情。现已经典例子是使用为 ε →交通0在层次模型上方差分量先验。
在这种情况下,不适当的先验限制会导致不正确的后验。一种流行的选择是将really 得很小,这导致在R +上看起来几乎一致的先验。但这也导致后验几乎不正确,并且模型拟合和推论遭受损失。有关完整说明的信息,请参见Gelman 先验分布,以获取层次模型中的方差参数。
编辑:@csgillespie(正确!)指出,我尚未完全回答您的问题。在我看来,非信息性先验是模糊的,因为它并不特别偏爱参数空间中的一个区域而不是另一个,但是这样做不应引起其他参数的先验信息。因此,无信息的先验是模糊的,但是模糊的先验并不一定是无信息的。贝叶斯变量选择就是其中一个例子。变量包含概率的“模糊”先验实际上可以对模型中包含的变量总数产生相当丰富的先验信息!
在我看来,寻找真正无信息的先验是不正确的(尽管很多人会不同意)。最好使用所谓的“弱”信息先验(我想,从某种意义上讲,它通常是模糊的)。真的,我们是否经常知道什么有关问题的参数?
Lambert等人(2005)提出了一个问题:“ Vague是Vague吗?使用WinBUGS在MCMC中使用vague先验分布的影响的模拟研究 ”。他们写道:“我们不主张使用非信息性先验分布,因为我们认为所有先验都有助于提供某些信息”。我倾向于同意,但我绝对不是贝叶斯统计专家。
我怀疑“模糊的先验”是指一种已知的先验,该先验已知是对有关参数真实值的少量但非零知识的编码,而“非信息先验”将用于表示完全无知关于该参数的值。也许可以用来表明分析不是完全客观的。
例如,对于非信息先验是统一的参数,非常宽泛的高斯可能是模糊的先验。高斯模型在兴趣范围上几乎是持平的,但是仍然会偏爱某个特定值,而不是其他任何值(但这可能使问题在数学上更易于处理)。