Байесовский оценщик

В теории оценивания и теории принятия решений байесовская оценка или действие Байеса — это оценка или правило принятия решения , которое минимизирует апостериорное ожидаемое значение функции потерь (т. е. апостериорную ожидаемую потерю ). Эквивалентно, это максимизирует апостериорное математическое ожидание функции полезности . Альтернативным способом формулирования оценки в байесовской статистике является максимальная апостериорная оценка .

Определение

Предположим, неизвестный параметр $\theta$ известно, что оно имеет предварительное распространение $\pi$. Позволять ${\widehat {\theta }}={\widehat {\theta }}(x)$ быть оценщиком $\theta$ (на основе некоторых измерений x ), и пусть $L(\theta ,{\widehat {\theta }})$ быть функцией потерь , например, квадратичной ошибкой. Байесовский риск ​ ${\widehat {\theta }}$ определяется как $E_{\pi }(L(\theta ,{\widehat {\theta }}))$, где математическое ожидание берется за распределение вероятностей $\theta$: определяет функцию риска как функцию ${\widehat {\theta }}$. Оценщик ${\widehat {\theta }}$ называется оценщиком Байеса , если он минимизирует риск Байеса среди всех оценщиков. Эквивалентно, оценка, которая минимизирует апостериорную ожидаемую потерю $E(L(\theta ,{\widehat {\theta }})|x)$ для каждого $x$ также минимизирует риск Байеса и, следовательно, является оценщиком Байеса.

Если априорное значение неверно, то используется оценка, которая минимизирует апостериорные ожидаемые потери для каждого $x$ называется обобщенной оценкой Байеса .

Примеры

Оценка минимальной среднеквадратической ошибки

Основная статья: Минимальная среднеквадратическая ошибка

Наиболее распространенной функцией риска, используемой для байесовской оценки, является среднеквадратическая ошибка (MSE), также называемая риском квадратичной ошибки . MSE определяется

$\mathrm {MSE} =E\left[({\widehat {\theta }}(x)-\theta )^{2}\right],$

где ожидание принимается за совместное распределение $\theta$ и $x$.

Заднее среднее

Используя MSE в качестве риска, байесовская оценка неизвестного параметра представляет собой просто среднее апостериорного распределения ,

${\widehat {\theta }}(x)=E[\theta |x]=\int \theta \,p(\theta |x)\,d\theta .$

Это известно как оценка минимальной среднеквадратической ошибки (MMSE).

Байесовские оценки для сопряженных априорных значений

Основная статья: Сопряженный априор

Если нет внутренней причины предпочитать одно априорное распределение вероятностей другому, сопряженное априорное распределение для простоты иногда выбирается . Сопряженное априорное распределение определяется как априорное распределение, принадлежащее некоторому параметрическому семейству , для которого результирующее апостериорное распределение также принадлежит тому же семейству. Это важное свойство, поскольку оценка Байеса, а также ее статистические свойства (дисперсия, доверительный интервал и т. д.) могут быть получены из апостериорного распределения.

Сопряженные априорные значения особенно полезны для последовательной оценки, когда апостериорное значение текущего измерения используется в качестве априорного в следующем измерении. При последовательной оценке, если не используется сопряженное априорное распределение, апостериорное распределение обычно становится более сложным с каждым добавленным измерением, и оценку Байеса обычно невозможно рассчитать, не прибегая к численным методам.

Ниже приведены некоторые примеры сопряженных априорных значений.

• Если $x|\theta$ это нормально , $x|\theta \sim N(\theta ,\sigma ^{2})$, а априор нормальный, $\theta \sim N(\mu ,\tau ^{2})$, то апостериорная часть также является нормальной, а оценка Байеса при MSE определяется выражением

${\widehat {\theta }}(x)={\frac {\sigma ^{2}}{\sigma ^{2}+\tau ^{2}}}\mu +{\frac {\tau ^{2}}{\sigma ^{2}+\tau ^{2}}}x.$

• Если $x_{1},...,x_{n}$ являются iid Пуассона случайными величинами $x_{i}|\theta \sim P(\theta )$, и если априорным является гамма-распределение $\theta \sim G(a,b)$, то апостериорная часть также имеет гамма-распределение, а оценка Байеса при MSE определяется выражением

${\widehat {\theta }}(X)={\frac {n{\overline {X}}+a}{n+b}}.$

• Если $x_{1},...,x_{n}$ распределены равномерно $x_{i}|\theta \sim U(0,\theta )$, и если априорное распределение распределено по Парето $\theta \sim Pa(\theta _{0},a)$, то апостериорная функция также распределяется по Парето, а оценка Байеса при MSE определяется выражением

${\widehat {\theta }}(X)={\frac {(a+n)\max {(\theta _{0},x_{1},...,x_{n})}}{a+n-1}}.$

Альтернативные функции риска

Функции риска выбираются в зависимости от того, как измеряется расстояние между оценкой и неизвестным параметром. MSE является наиболее распространенной функцией риска, прежде всего из-за ее простоты. Однако иногда используются и альтернативные функции риска. Ниже приведены несколько примеров таких альтернатив. Обозначим апостериорную обобщенную функцию распределения через $F$.

Задняя медиана и другие квантили

Основная статья: Смещение оценки § Несмещенные по медиане оценки

• «Линейная» функция потерь, с $a>0$, что дает апостериорную медиану как оценку Байеса:

$L(\theta ,{\widehat {\theta }})=a|\theta -{\widehat {\theta }}|$

$F({\widehat {\theta }}(x)|X)={\tfrac {1}{2}}.$

• Еще одна «линейная» функция потерь, которая присваивает разные «веса». $a,b>0$ к завышенной или заниженной оценке. Он дает квантиль из апостериорного распределения и является обобщением предыдущей функции потерь:

$L(\theta ,{\widehat {\theta }})={\begin{cases}a|\theta -{\widehat {\theta }}|,&{\mbox{for }}\theta -{\widehat {\theta }}\geq 0\\b|\theta -{\widehat {\theta }}|,&{\mbox{for }}\theta -{\widehat {\theta }}<0\end{cases}}$

$F({\widehat {\theta }}(x)|X)={\frac {a}{a+b}}.$

Задний режим

• Следующая функция потерь сложнее: она дает либо апостериорную моду , либо точку, близкую к ней, в зависимости от кривизны и свойств апостериорного распределения. Малые значения параметра $K>0$ рекомендуются, чтобы использовать режим в качестве приближения ( $L>0$):

$L(\theta ,{\widehat {\theta }})={\begin{cases}0,&{\mbox{for }}|\theta -{\widehat {\theta }}|<K\\L,&{\mbox{for }}|\theta -{\widehat {\theta }}|\geq K.\end{cases}}$

Можно придумать и другие функции потерь, хотя среднеквадратическая ошибка является наиболее широко используемой и проверенной. Другие функции потерь используются в статистике, особенно в робастной статистике .

Обобщенные оценки Байеса

См. Также: Допустимое правило принятия решения § Правила Байеса и обобщенные правила Байеса.

Предыдущее распределение $p$ до сих пор считалось истинным распределением вероятностей, поскольку

$\int p(\theta )d\theta =1.$

Однако иногда это может быть ограничительным требованием. Например, не существует распределения (охватывающего множество R всех действительных чисел), для которого каждое действительное число равновероятно. Тем не менее, в некотором смысле такое «распределение» кажется естественным выбором неинформативного априорного распределения , т. е. априорного распределения, которое не подразумевает предпочтения какого-либо конкретного значения неизвестного параметра. Еще можно определить функцию $p(\theta )=1$, но это не было бы правильным распределением вероятностей, поскольку оно имеет бесконечную массу,

$\int {p(\theta )d\theta }=\infty .$

Такие меры $p(\theta )$, которые не являются распределениями вероятностей, называются неправильными априорными значениями .

Использование неправильного априорного значения означает, что байесовский риск не определен (поскольку априорное значение не является распределением вероятностей, и мы не можем принять под него математическое ожидание). Как следствие, больше не имеет смысла говорить об байесовской оценке, которая минимизирует байесовский риск. Тем не менее во многих случаях можно определить апостериорное распределение

$p(\theta |x)={\frac {p(x|\theta )p(\theta )}{\int p(x|\theta )p(\theta )d\theta }}.$

Это определение, а не применение теоремы Байеса , поскольку теорему Байеса можно применять только тогда, когда все распределения правильные. Однако результирующее «апостериорное» распределение нередко оказывается действительным распределением вероятностей. В этом случае апостериорные ожидаемые потери

$\int {L(\theta ,a)p(\theta |x)d\theta }$

обычно четко определена и конечна. Напомним, что для правильного априора оценка Байеса минимизирует апостериорные ожидаемые потери. Когда априорная оценка неверна, оценка, которая минимизирует апостериорные ожидаемые потери, называется обобщенной оценкой Байеса .

Пример

Типичным примером является оценка параметра местоположения с помощью функции потерь типа $L(a-\theta )$. Здесь $\theta$ является параметром местоположения, т.е. $p(x|\theta )=f(x-\theta )$.

Обычно используется неправильное предшествующее $p(\theta )=1$ в этом случае, особенно когда нет другой, более субъективной информации. Это дает

$p(\theta |x)={\frac {p(x|\theta )p(\theta )}{p(x)}}={\frac {f(x-\theta )}{p(x)}}$

так что апостериорная ожидаемая потеря

$E[L(a-\theta )|x]=\int {L(a-\theta )p(\theta |x)d\theta }={\frac {1}{p(x)}}\int L(a-\theta )f(x-\theta )d\theta .$

Обобщенная оценка Байеса - это значение $a(x)$ которое минимизирует это выражение для данного $x$. Это эквивалентно минимизации

$\int L(a-\theta )f(x-\theta )d\theta$ для данного $x.$        (1)

В этом случае можно показать, что обобщенная оценка Байеса имеет вид $x+a_{0}$, для некоторой константы $a_{0}$. Чтобы увидеть это, позвольте $a_{0}$ быть значением, минимизирующим (1), когда $x=0$. Тогда, учитывая другое значение $x_{1}$, мы должны минимизировать

$\int L(a-\theta )f(x_{1}-\theta )d\theta =\int L(a-x_{1}-\theta ')f(-\theta ')d\theta '.$        (2)

Это идентично (1), за исключением того, что $a$ был заменен на $a-x_{1}$. Таким образом, минимизация выражения имеет вид $a-x_{1}=a_{0}$, так что оптимальная оценка имеет вид

$a(x)=a_{0}+x.\,\!$

Эмпирические оценки Байеса

Основная статья: Эмпирический метод Байеса

Оценка Байеса, полученная с помощью эмпирического метода Байеса, называется эмпирической оценкой Байеса . Эмпирические методы Байеса позволяют использовать вспомогательные эмпирические данные из наблюдений за связанными параметрами при разработке оценки Байеса. Это делается в предположении, что оцененные параметры получены из общего априора. Например, если проводятся независимые наблюдения за различными параметрами, то эффективность оценки конкретного параметра иногда можно улучшить, используя данные других наблюдений.

Существуют как параметрические , так и непараметрические подходы к эмпирической оценке Байеса.

Пример

Ниже приведен простой пример параметрической эмпирической байесовской оценки. Учитывая прошлые наблюдения $x_{1},\ldots ,x_{n}$ имеющий условное распределение $f(x_{i}|\theta _{i})$, интересует оценка $\theta _{n+1}$ на основе $x_{n+1}$. Предположим, что $\theta _{i}$у нас есть общий опыт $\pi$ которая зависит от неизвестных параметров. Например, предположим, что $\pi$ нормально с неизвестным средним значением $\mu _{\pi }\,\!$ и дисперсия $\sigma _{\pi }\,\!.$ Затем мы можем использовать прошлые наблюдения, чтобы определить среднее значение и дисперсию $\pi$ следующим образом.

Сначала мы оцениваем среднее значение $\mu _{m}\,\!$ и дисперсия $\sigma _{m}\,\!$ предельного распределения $x_{1},\ldots ,x_{n}$ используя подход максимального правдоподобия :

${\widehat {\mu }}_{m}={\frac {1}{n}}\sum {x_{i}},$

${\widehat {\sigma }}_{m}^{2}={\frac {1}{n}}\sum {(x_{i}-{\widehat {\mu }}_{m})^{2}}.$

Далее мы используем закон полного ожидания для вычисления $\mu _{m}$ и закон полной дисперсии для вычисления $\sigma _{m}^{2}$ такой, что

$\mu _{m}=E_{\pi }[\mu _{f}(\theta )]\,\!,$

$\sigma _{m}^{2}=E_{\pi }[\sigma _{f}^{2}(\theta )]+E_{\pi }[(\mu _{f}(\theta )-\mu _{m})^{2}],$

где $\mu _{f}(\theta )$ и $\sigma _{f}(\theta )$ – моменты условного распределения $f(x_{i}|\theta _{i})$, которые считаются известными. В частности, предположим, что $\mu _{f}(\theta )=\theta$ и это $\sigma _{f}^{2}(\theta )=K$; тогда у нас есть

$\mu _{\pi }=\mu _{m}\,\!,$

$\sigma _{\pi }^{2}=\sigma _{m}^{2}-\sigma _{f}^{2}=\sigma _{m}^{2}-K.$

Наконец, мы получаем оценки моментов априора:

${\widehat {\mu }}_{\pi }={\widehat {\mu }}_{m},$

${\widehat {\sigma }}_{\pi }^{2}={\widehat {\sigma }}_{m}^{2}-K.$

Например, если $x_{i}|\theta _{i}\sim N(\theta _{i},1)$, и если мы предполагаем нормальный априор (который в данном случае является сопряженным априором), мы заключаем, что $\theta _{n+1}\sim N({\widehat {\mu }}_{\pi },{\widehat {\sigma }}_{\pi }^{2})$, из которого байесовская оценка $\theta _{n+1}$ на основе $x_{n+1}$ можно рассчитать.

Характеристики

Приемлемость

См. Также: Допустимое правило принятия решения.

Обычно допустимы правила Байеса, имеющие конечный байесовский риск . Ниже приведены некоторые конкретные примеры теорем о допустимости.

• Если правило Байеса уникально, то оно допустимо. Например, как указано выше, при среднеквадратической ошибке (MSE) правило Байеса уникально и поэтому допустимо.
• Если θ принадлежит дискретному множеству , то все правила Байеса допустимы.
• Если θ принадлежит непрерывному (недискретному) множеству и если функция риска R(θ,δ) непрерывна по θ для любого δ, то все правила Байеса допустимы.

Напротив, обобщенные правила Байеса часто имеют неопределенный байесовский риск в случае неправильных априорных значений. Эти правила часто являются неприемлемыми, и проверка их приемлемости может быть затруднена. Например, обобщенная байесовская оценка параметра местоположения θ на основе гауссовских выборок (описанная выше в разделе «Обобщенная байесовская оценка») недопустима для $p>2$; это известно как феномен Штейна .

Асимптотическая эффективность

Пусть θ — неизвестная случайная величина и предположим, что $x_{1},x_{2},\ldots$ представляют собой iid- образцы с плотностью $f(x_{i}|\theta )$. Позволять $\delta _{n}=\delta _{n}(x_{1},\ldots ,x_{n})$ быть последовательностью байесовских оценок θ, основанных на возрастающем количестве измерений. Нас интересует анализ асимптотической эффективности этой последовательности оценок, т. е. производительности $\delta _{n}$ для большого n .

С этой целью принято рассматривать θ как детерминированный параметр, истинное значение которого равно $\theta _{0}$. В особых условиях, для больших выборок (большие значения n ) апостериорная плотность θ примерно нормальна. Другими словами, при больших n влияние априорной вероятности на апостериорную незначительно. Более того, если δ является байесовской оценкой риска MSE, то она асимптотически несмещена и сходится по распределению к нормальному распределению :

${\sqrt {n}}(\delta _{n}-\theta _{0})\to N\left(0,{\frac {1}{I(\theta _{0})}}\right),$

где I (θ ₀ ) — информация Фишера для θ ₀ .Отсюда следует, что оценка Байеса δ _n при MSE асимптотически эффективна .

Другая оценка, которая является асимптотически нормальной и эффективной, — это оценка максимального правдоподобия (MLE). Связь между оценками максимального правдоподобия и байесовскими оценками можно показать на следующем простом примере.

Пример: оценка p в биномиальном распределении

Рассмотрим оценку θ на основе биномиальной выборки x ~ b(θ, n ), где θ обозначает вероятность успеха. Предполагая, что θ распределяется в соответствии с сопряженным априорным распределением, которое в данном случае является бета-распределением B( a , b ), известно, что апостериорное распределение равно B(a+x,b+nx). Таким образом, оценка Байеса при MSE равна

$\delta _{n}(x)=E[\theta |x]={\frac {a+x}{a+b+n}}.$

MLE в этом случае равен x/n, поэтому мы получаем:

$\delta _{n}(x)={\frac {a+b}{a+b+n}}E[\theta ]+{\frac {n}{a+b+n}}\delta _{MLE}.$

Из последнего уравнения следует, что при n → ∞ байесовская оценка (в описанной задаче) близка к MLE.

С другой стороны, когда n мало, априорная информация по-прежнему актуальна для проблемы принятия решения и влияет на оценку. Чтобы увидеть относительный вес априорной информации, предположим, что a = b ; в этом случае каждое измерение приносит 1 новый бит информации; формула выше показывает, что предыдущая информация имеет тот же вес, что и a+b бит новой информации. В приложениях часто очень мало известно о мелких деталях предшествующего распределения; в частности, нет оснований предполагать, что оно в точности совпадает с B( a , b ). В таком случае одна из возможных интерпретаций этого расчета такова: «существует непатологическое априорное распределение со средним значением 0,5 и стандартным отклонением d , которое дает вес априорной информации, равный 1/(4 d ² )-1 бит новой информации».

Другим примером того же явления является случай, когда априорная оценка и измерение нормально распределены. Если априорное значение центрировано в точке B с отклонением Σ, а измерение центрировано в точке b с отклонением σ, то апостериорное значение центрируется в точке ${\frac {\alpha }{\alpha +\beta }}B+{\frac {\beta }{\alpha +\beta }}b$, с весами в этом средневзвешенном значении α=σ², β=Σ². При этом квадрат заднего отклонения равен Σ²+σ². Другими словами, априорное измерение объединяется с измерением точно так же, как если бы это было дополнительное измерение, которое необходимо учитывать.

Например, если Σ=σ/2, то объединенное отклонение 4 измерений соответствует отклонению предыдущего (при условии, что ошибки измерений независимы). И веса α,β в формуле для апостериорного измерения соответствуют этому: вес априорного измерения в 4 раза превышает вес измерения. Объединение этого предшествующего измерения с n измерениями со средним значением v приводит к получению заднего изображения с центром в точке ${\frac {4}{4+n}}V+{\frac {n}{4+n}}v$; в частности, априор играет ту же роль, что и 4 измерения, сделанные заранее. В общем, априор имеет вес измерений (σ/Σ)².

Сравните с примером биномиального распределения: там априор имеет вес (σ/Σ)²−1 измерений. Видно, что точный вес действительно зависит от деталей распределения, но когда σ≫Σ, разница становится небольшой.

Практический пример байесовских оценок

База данных фильмов в Интернете использует формулу для расчета и сравнения рейтингов фильмов, выставленных пользователями, включая их 250 наименований с самым высоким рейтингом , которая, как утверждается, дает «истинную байесовскую оценку». Следующая байесовская формула первоначально использовалась для расчета средневзвешенного балла для топ-250, хотя с тех пор формула изменилась:

$W={Rv+Cm \over v+m}\$

где:

$W\$ = взвешенный рейтинг

$R\$ = средний рейтинг фильма в виде числа от 1 до 10 (среднее) = (Рейтинг)

$v\$ = количество голосов/рейтингов фильма = (голосов)

$m\$ = вес, присвоенный предварительной оценке (в данном случае количество голосов, которые IMDB считает необходимыми для того, чтобы средний рейтинг приблизился к статистической достоверности)

$C\$ = средний голос по всему пулу (сейчас 7,0)

что W — это просто взвешенное среднее арифметическое R C и Обратите внимание , с весовым вектором (v, m) . Поскольку количество оценок превышает m , достоверность среднего рейтинга превышает достоверность среднего голоса для всех фильмов (C), а взвешенный байесовский рейтинг (W) приближается к прямому среднему значению (R). Чем ближе v (количество оценок фильма) к нулю, тем ближе W к C , где W — взвешенный рейтинг, а C — средний рейтинг всех фильмов. Таким образом, проще говоря, чем меньше оценок/голосов отдано за фильм, тем больше взвешенный рейтинг этого фильма будет смещаться в сторону среднего значения по всем фильмам, в то время как фильмы с большим количеством оценок/голосов будут иметь рейтинг, приближающийся к чистому среднему арифметическому рейтингу.

Подход IMDb гарантирует, что фильм с несколькими рейтингами, все из которых равны 10, не будет иметь рейтинг выше «Крестного отца», например, со средним баллом 9,2 из более чем 500 000 оценок.

См. также

• Рекурсивная байесовская оценка
• Обобщенная ожидаемая полезность

Ссылки

• Леманн, Эль; Казелла, Г. (1998). Теория точечной оценки (2-е изд.). Спрингер. ISBN  0-387-98502-6 .
• Бергер, Джеймс О. (1985). Статистическая теория принятия решений и байесовский анализ (2-е изд.). Нью-Йорк: Springer-Verlag. ISBN  0-387-96098-8 . МР   0804611 .

Внешние ссылки

• «Байесовский оценщик» , Математическая энциклопедия , EMS Press , 2001 [1994]