Rozważmy kwadratową stratę , z podanym wcześniej gdzie . Niech prawdopodobieństwo. Znajdź estymator Bayesa .
Rozważ ważoną stratę kwadratową gdzie z wcześniejszym . Niech będzie prawdopodobieństwem. Znajdź estymator Bayesa .
Porównaj i
Najpierw zauważyłem, że , i założyłem, że takie jest prawdopodobieństwo, w przeciwnym razie nie dostanę żadnego późniejszego, a następnie więc estymatorem Bayesa w odniesieniu do straty kwadratowej jest
Patrzę w książce The Bayesian Choice i istnieje twierdzenie o estymatorze Bayesa związane z ważoną stratą kwadratową i jest ono podane przez
Czy ktoś może mi wyjaśnić, jak to obliczyć?
Próbowałem:
Wiem, że wsparcie to , ale kiedy próbowałem zintegrować z licznikiem
Nie mam dobrych wyników.
Odpowiedzi:
Po pierwsze, zwróć uwagę, że poprawiłem pierwotne sformułowanie pytania względem funkcji wskaźnika w twoich definicjach prawdopodobieństwa, ponieważ muszą to być funkcje not . Stąd prawdopodobieństwo jest który wyraźnie integruje się z jednym:x θ
Po drugie, tylna in nie jest funkcją Beta, ponieważ jak wskazuje Greenparker Z powodu ograniczenia na wartościach nie jest to również rozkład gamma, ale obcięcie rozkładu gamma.θ
Dlatego estymator Bayesa jest późniejszym oczekiwaniem które mogą wydawać się wymagać użycia niekompletnej funkcji Gamma, ale które można uzyskać w postaci zamkniętej przez integrację przez część: od
Wreszcie, jak wskazano w mojej książce , minimalizacja w jest równoważna minimalizacji w co samo w sobie jest równoważne zminimalizowaniu w co oznacza zastąpienie pierwotnego przeora nowym wcześniejszym który musi zostać renormalizowany do gęstości, czyliδ
źródło
Twoja odpowiedź na część kwadratu utraty błędu jest nieprawidłowa.
Jest to rozkład w , a nie w , a zmienna losowa z tyłu to . Więc twoja odpowiedź jest niepoprawna, a prawidłowa odpowiedź będzie drugim środkiem tego rozkładu.Beta(θ,1) x θ θ
W drugiej części
(Pierwszą funkcją funkcji ważonej straty jest ale ją . Przełączam notację z powrotem na .)π1 π π1
Niech , gdzie jest stałą normalizującą. Musisz obliczyćπ′(θ)=cw(θ)π1(θ) c
Zatem dla ważonej funkcji utraty najmniejszych kwadratów twierdzenie mówi, że oszacowanie Bayesa jest średnią tylną w odniesieniu do innego wcześniejszego. Wcześniejsze jest
Stała normalizująca to .∫θw(θ)π(θ)dθ=Eπ1[w(θ)]
Więc wcześniej jest . To ten sam czas, który miałeś w pierwszym pytaniu.π′(θ)=2I(0,1/2)(θ)
Zatem odpowiedź na scenariusze (cokolwiek to będzie) będzie taka sama. Możesz znaleźć całkę tutaj . Chociaż może być wystarczające, aby poprawić formę odpowiedzi, a nie uzupełnić całkę.
źródło