Porównanie estymatorów Bayesa

9
  1. Rozważmy kwadratową stratę , z podanym wcześniej gdzie . Niech prawdopodobieństwo. Znajdź estymator Bayesa .L(θ,δ)=(θδ)2π(θ)π(θ)U(0,1/2)f(x|θ)=θxθ1I[0,1](x),θ>0δπ

  2. Rozważ ważoną stratę kwadratową gdzie z wcześniejszym . Niech będzie prawdopodobieństwem. Znajdź estymator Bayesa .Lw(θ,δ)=w(θ)(θδ)2w(θ)=I(,1/2)π1(θ)=I[0,1](θ)f(x|θ)=θxθ1I[0,1](x),θ>0δ1π

  3. Porównaj iδπδ1π

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 f(x|θ)Beta(θ,1)

π(θ|x)f(x|θ)π(θ)=θxθ1I[0,1]2I(0,1/2)(θ)Beta(θ,1)
E[π(θ|x)]=θθ+1

Patrzę w książce The Bayesian Choice i istnieje twierdzenie o estymatorze Bayesa związane z ważoną stratą kwadratową i jest ono podane przez

δπ(x)=Eπ[w(θ)θ|x]Eπ[w(θ)|x]

Czy ktoś może mi wyjaśnić, jak to obliczyć?

Próbowałem:

δπ(x)=θw(θ)f(x|θ)π(θ)dθw(θ)f(x|θ)π(θ)dθf(x|θ)π(θ)dθw(θ)f(xθ)π(θ)dθ

Wiem, że wsparcie to , ale kiedy próbowałem zintegrować z licznikiem[0,12]

θw(θ)f(x|θ)π(θ)dθ=012θθxθ1dθ=1x012θ2xθdθ

Nie mam dobrych wyników.

Xi'an
źródło
1
Czy tutaj nieujemne? w(θ)
Juho Kokkala,
3
Nie rozumiem twojej uwagi na temat „tylko dla nieujemnego”, ponieważ (1) funkcja straty nigdy nie stanie się ujemna i (2) twoja funkcja straty i tak nie może być ujemna. w(θ)
whuber
@ Whuber Gosh, teraz zdałem sobie sprawę z mojego idiotyzmu, patrzyłem na obsługę wskaźnika

Odpowiedzi:

7

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:xθ

f(x)=θxθ1I[0,1](x)
01θxθ1dx=1

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

π(θ|x)I[0,1/2](θ)θxθ1I[0,1/2](θ)θexp{log(x)θ}
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

E[θ|x]=01/2θ×θexp{log(x)θ}dθ/01/2θexp{log(x)θ}dθ=01/2θ2exp{log(x)θ}dθ/01/2θexp{log(x)θ}dθ
01/2θkexp{αθ}dθ=1α[θkexp{αθ}]01/2+kα01/2θk1exp{αθ}dθ
01/2exp{αθ}dθ=1exp{α/2}α

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, czyli δ

w(θ)(θδ)2π(θ|x)dθ
δ
w(θ)(θδ)2π(θ)f(x|θ)dθ
δ
(θδ)2w(θ)π(θ)f(x|θ)dθ
πw(θ)π(θ)
π1(θ)=w(θ)π(θ)/w(θ)π(θ)dθ
Xi'an
źródło
6

Twoja odpowiedź na część kwadratu utraty błędu jest nieprawidłowa.

π(θ|x)f(x|θ)π(θ)=2θxθ1I(0,1/2)(θ).

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)xθθ

W drugiej części

(Pierwszą funkcją funkcji ważonej straty jest ale ją . Przełączam notację z powrotem na .)π1ππ1

Niech , gdzie jest stałą normalizującą. Musisz obliczyćπ(θ)=cw(θ)π1(θ)c

δπ1(x)=Eπ1[w(θ)θ|x]Eπ1[w(θ|x)]=w(θ)θf(x|θ)π1(θ)dθw(θ)f(x|θ)π1(θ)dθ=θf(x|θ)π(θ)dθf(x|θ)π(θ)dθ=Eπ[θ|x]

Zatem dla ważonej funkcji utraty najmniejszych kwadratów twierdzenie mówi, że oszacowanie Bayesa jest średnią tylną w odniesieniu do innego wcześniejszego. Wcześniejsze jest

π(θ)w(θ)π1(θ).

Stała normalizująca to .θw(θ)π(θ)dθ=Eπ1[w(θ)]

Eπ1[w(θ)]=01/2I0,1(θ)d(θ)=12.

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.

Greenparker
źródło