Questions tagged «empirical-bayes»

1
经验贝叶斯如何有效?
因此,我刚读完一本很棒的书《经验贝叶斯简介》。我以为这本书很棒,但是根据数据建立先验感觉是错误的。我们接受过培训,要求您提出分析计划,然后收集数据,然后测试您先前在分析计划中确定的假设。在对已经收集的数据进行分析时,这将使您进入选择性后推断,在此之后您必须对所谓的“重要”更为严格,请参见此处。我认为机器学习有一个类似的东西,叫做“樱桃采摘”,意思是在建立测试和训练集之前选出预测变量(《统计学习入门》)。 鉴于我以前学到的知识,在我看来,经验贝叶斯基于薄弱的基础。人们是否仅在被动生成数据的环境中使用它?如果是这样,这可能是合理的,但是在进行严格的实验设计时使用它似乎并不正确,但是我知道Brad Efron确实使用了专门针对生物统计学的经验贝叶斯方法,而贝叶斯通常是一个非常重要的NHST领域。 我的问题是: 经验贝叶斯如何有效? 在什么情况下使用? 在什么情况下应该避免使用经验贝叶斯方法?为什么? 人们是否在生物统计学之外的其他领域使用它?如果是,他们在什么情况下使用它?

2
交叉验证与经验贝叶斯估计超参数
给定一个层次模型,我想要一个两阶段的过程来拟合模型。首先,固定少数几个超参数θ,然后对其余参数ϕ进行贝叶斯推断。为了修复超参数,我正在考虑两种选择。p(x|ϕ,θ)p(x|ϕ,θ)p(x|\phi,\theta)θθ\thetaϕϕ\phi 使用经验贝叶斯(EB)并最大化边际可能性(整合包含高维参数的模型的其余部分)。p (所有数据| θ)p(所有数据|θ)p(\mbox{all data}|\theta) 使用交叉验证(CV)技术(例如倍交叉验证)来选择使似然性p最大化的θ (测试数据| 训练数据,θ )。ķķkθθ\thetap (测试数据| 训练数据,θ )p(测试数据|训练数据,θ)p(\mbox{test data}|\mbox{training data}, \theta) EB的优势在于,我可以一次使用所有数据,而对于CV,我需要(潜在地)多次计算模型似然并搜索。在许多情况下,EB和CV的性能是可比的(*),通常EB的估算速度更快。θθ\theta 问题:是否存在将两者联系起来的理论基础(例如,EB和CV在大数据限制内是相同的)?还是将EB与某些通用性标准(例如经验风险)联系起来?有人可以指出良好的参考资料吗? (*)作为说明,这是墨菲的机器学习(Murphy's Machine Learning)第7.6.4节中的图,他说,对于岭回归,两个过程都产生非常相似的结果: 墨菲还说,经验贝叶斯(他称其为“证据程序”)相对于CV的主要实践优势是,当由许多超参数组成时(例如,对每个特征进行单独惩罚,如自动相关性确定或ARD)。根本不可能使用CV。θθ\theta

1
分层贝叶斯模型与经验贝叶斯
您是否认为HBM与EB是超参数在采样/估计/等“游戏中”的两个选择?这两者之间显然存在联系。 您会认为HBM比EB更“完全贝叶斯”吗?在哪里可以看到“完全贝叶斯”和其他替代方案之间的区别? 谢谢。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.