„Fully Bayesian” vs „Bayesian”

20

Poznałem statystyki bayesowskie i często czytałem artykuły

„przyjmujemy podejście bayesowskie”

lub coś podobnego. Rzadko też zauważyłem:

„przyjmujemy podejście w pełni bayesowskie”

(mój nacisk). Czy istnieje jakaś różnica między tymi podejściami w sensie praktycznym lub teoretycznym? FWIW, używam pakietu MCMCglmmw R w przypadku, gdy jest to istotne.

Joe King
źródło
6
Nie sądzę, by „w pełni bayesowski” miał rygorystyczne znaczenie.
Stéphane Laurent,
4
@Stephane Jestem całkiem pewien, że w pełni Bayesian jest taki sam jak Bayesian, ale przymiotnik w pełni służy do podkreślenia, że ​​nie jest to empiryczny Bayes.
Michael R. Chernick,
1
@Michael ma to sens, ale nadal uważam, że znaczenie nie jest uniwersalne i wydaje się, że potwierdza je kilka różnych odpowiedzi na pytanie. Nie zdziwiłbym się, że niektórzy mówią „w pełni bayesowski”, mówiąc, że używają subiektywnego uprzedniego, a nie nieinformacyjnego. Inną możliwą sytuacją jest sytuacja, w której ludzie używają „predykcyjnego rozkładu bayesowskiego”, a następnie przechodzą na podejście czysto bayesowskie.
Stéphane Laurent,
@Stephane Akceptuję twój osąd. Myślę, że pracujesz w statystyce bayesowskiej bardziej niż ja i prawdopodobnie słyszałem, jak ludzie używają tego terminu na różne sposoby. Przynajmniej moja odpowiedź jest rozsądna i częściowo słuszna.
Michael R. Chernick,
@MichaelChernick tak, twoja odpowiedź jest przykładem pseudobayesowskiego podejścia w porównaniu z prawdziwym podejściem bayesowskim, ale są też inne takie sytuacje
Stéphane Laurent

Odpowiedzi:

19

Terminologia „podejście całkowicie bayesowskie” jest niczym innym, jak wskazaniem, że w zależności od kontekstu przechodzi się od „częściowo” bayesowskiego podejścia do „prawdziwego” podejścia bayesowskiego. Lub odróżnić podejście „pseudo-bayesowskie” od podejścia „ściśle” bayesowskiego.

Na przykład jeden z autorów pisze: „W przeciwieństwie do większości innych zainteresowanych autorów, którzy zwykle stosowali podejście RVM do analizy empirycznej Bayesa, przyjmujemy podejście w pełni bayesowskie”, ponieważ podejście empiryczne Bayesa jest podejściem „pseudob Bayesowskim”. Istnieją inne podejścia pseudob Bayesowskie, takie jak rozkład predykcyjny częstości bayesowskiej (rozkład, którego kwantyle pasują do granic interwałów częstości predykcyjnych).

Na tej stronie przedstawiono kilka pakietów R do wnioskowania bayesowskiego. MCMCglmm jest przedstawiany jako „podejście całkowicie bayesowskie”, ponieważ użytkownik musi wybrać wcześniejszą dystrybucję, w przeciwieństwie do innych pakietów.

Innym możliwym znaczeniem „w pełni bayesowskim” jest to, że wykonuje się wnioskowanie bayesowskie wywodzące się z ram Bayesowskiej teorii teorii decyzji, to znaczy wywodzi się z funkcji straty, ponieważ teoria decyzji bayesowskiej jest solidnym fundamentem dla wnioskowania bayesowskiego.

Stéphane Laurent
źródło
Dziękuję Ci za to. dziękuję, więc pakiet MCMCglmm„W pełni bayesowski” nie ma nic wspólnego z korzystaniem z MCMC w celu uzyskania szacunków, a czy nadal byłby w pełni bayesowski, gdybym musiał określić wcześniejszy, z którego można by było znaleźć tylnie? Przepraszam, jeśli moje pytanie nie ma sensu - wciąż jestem początkującym, ale staram się uczyć!
Joe King
1
MCMC to tylko technika przydatna do symulacji rozkładów bocznych w statystyce bayesowskiej. Ale nie ma to nic wspólnego z samym podejściem bayesowskim.
Stéphane Laurent,
13

Myślę, że terminologia służy do rozróżnienia między podejściem bayesowskim a empirycznym podejściem bayesowskim. Full Bayes stosuje określoną wcześniej, podczas gdy empiryczna Bayes pozwala na oszacowanie wcześniejszej za pomocą danych.

Michael R. Chernick
źródło
Dziękuję Ci ! Widziałem także „empiryczne Bayesa” wspomniane tu i tam, ale nigdy nie pojawiły się w rzeczach, które czytałem, do tego stopnia, że ​​musiałem poważnie przemyśleć, co to znaczy. Właśnie spojrzałem na stronę wikipedii, która mówi, że jest ona również znana jako „maksymalne prawdopodobieństwo krańcowe” i „przybliżenie do pełnego bayesowskiego traktowania hierarchicznego modelu Bayesa”. Hmmm, szczerze mówiąc, nie rozumiem zbyt wiele z tego, co jest na tej stronie :(
Joe King
@JoeKing Istnieje wiele interesujących i ważnych zastosowań empirycznych metod Bayesa. Pomysł wraca do Herberta Robbinsa w latach 60. W latach 70. Efron i Morris wykazali, że estymator Jamesa-Steina wielowymiarowej średniej normalnej i inne podobne estymatory skurczu są empirycznymi Bayesami. W swojej nowej książce na temat wnioskowania na dużą skalę Brad Efron pokazuje, w jaki sposób można zastosować empiryczne metody Bayesa w przypadku problemów nazywanych czasami małą n dużą p, ponieważ wiele hipotez dotyczących parametrów jest testowanych przy stosunkowo małych próbkach (tzn. P może być znacznie większe niż n ). To wymyślić mikromacierze.
Michael R. Chernick,
1
Jeszcze raz dziękuję. Muszę przyznać, że nie rozumiem wszystkiego, co przed chwilą napisałeś, ale wykorzystam to jako punkt wyjścia do dalszych badań na ten temat.
Joe King,
9

„Bayesian” naprawdę oznacza „przybliżony Bayesian”.

„W pełni bayesowski” oznacza również „przybliżony bayesowski”, ale z mniejszym przybliżeniem.

Edycja : Wyjaśnienie.

p(θData)p(Dataθ)p(θ).
θ
Arek Paterek
źródło
Dziękuję Ci. Przeczytałem tutaj, że MCMCglmmpakiet, którego używam, jest w pełni bayesowski. Czy to dlatego, że używa MCMC wraz z wcześniejszym parametrem?
Joe King,
@Arek Naprawdę nie jestem przekonany. Kiedy więc używam standardowego koniugatu, jestem „bardziej niż w pełni” bayesowski? I dlaczego twierdzisz, że oszacowanie punktowe jest mniej „dokładne” niż symulacje tylne?
Stéphane Laurent,
1
@ StéphaneLaurent Nie twierdzę, że oszacowanie punktu jest zawsze mniej dokładne. Gdzie są wczorajsze komentarze do mojej odpowiedzi?
Arek Paterek
1
@ArekPaterek Twoja krótka odpowiedź wyglądała jak żart, więc komentarze, które nie dotyczą poprawionej odpowiedzi, nie dotyczą poprawionej odpowiedzi. Domyślam się, że moderator prawdopodobnie je usunął. Nadal nazywanie się w pełni Bayesowskim przybliżeniem jest zagadkowe.
Michael R. Chernick
1
Być może mój pierwszy nieskasowany komentarz nie był jasny. Jeśli odpowiedź Arka była prawidłowa, to jak powinniśmy nazwać sytuację, w której możliwe jest uzyskanie dokładnego rozkładu tylnego (takiego jak zwykła wcześniejsza sytuacja koniugatu)? Podejście Bayesa „bardziej niż w pełni”?
Stéphane Laurent,
8

Użyłbym słowa „w pełni bayesowska”, co oznacza, że ​​wszelkie niuansowe parametry zostały zmarginalizowane na podstawie analizy, a nie zoptymalizowane (np. Oszacowania MAP). Na przykład model procesu Gaussa, z hiperparametrami dostrojonymi w celu maksymalizacji marginalnego prawdopodobieństwa, byłby bayesowski, ale tylko częściowo, natomiast jeśli hiper-parametry definiujące funkcję kowariancji zostałyby zintegrowane przy użyciu hiper-wcześniejszego, byłoby to w pełni bayesowskie .

Dikran Torbacz
źródło
4
To wydaje się być nieco bardziej ogólną odpowiedzią. Im więcej ilości jest zmarginalizowanych, a nie zoptymalizowanych, tym bardziej „w pełni bayesowskie” jest rozwiązanie. Empiryczny Bayes to szczególny przypadek.
conjugateprior
Tak, to tylko niewielkie rozszerzenie odpowiedzi Michaelsa; Zasadniczo optymalizacja jest zasadniczo nie bayesowska.
Dikran Torbacz
3

Jako praktyczny przykład:

Robię trochę modelowania bayesowskiego za pomocą splajnów. Częstym problemem z splajnami jest wybór węzłów. Jedną z popularnych możliwości jest użycie schematu Reversible Jump Markov Chain Monte Carlo (RJMCMC), w którym proponuje się dodawanie, usuwanie lub przenoszenie węzła podczas każdej iteracji. Współczynniki splajnów są oszacowaniami najmniejszego kwadratu.

Darmowe splajny węzłów

Moim zdaniem powoduje to, że jest to tylko „częściowo bayesowski”, ponieważ dla podejścia „w pełni bayesowskiego” należałoby umieścić priorytety na tych współczynnikach (i nowe współczynniki proponowane podczas każdej iteracji), ale wtedy szacunki najmniejszych kwadratów nie działają dla RJMCMC schemat, a sprawy stają się znacznie trudniejsze.

Dolina górska
źródło
(+1) Nie rozumiem twojej sytuacji, ale wydaje się, że jest to sytuacja pseudob Bayesowskiego podejścia
Stéphane Laurent
1

Dodałbym charakterystykę, o której dotychczas nie wspomniano. Podejście w pełni bayesowskie „w pełni” propaguje niepewność we wszystkich nieznanych ilościach poprzez twierdzenie Bayesa. Z drugiej strony podejścia Pseudo-Bayesa, takie jak empiryczne Bayesa, nie propagują wszystkich niepewności. Na przykład, podczas szacowania tylnych wielkości predykcyjnych, w pełni bayesowskie podejście wykorzystałoby gęstość tylną nieznanych parametrów modelu, aby uzyskać rozkład predykcyjny parametru docelowego. Podejście EB nie uwzględniałoby niepewności we wszystkich niewiadomych - na przykład niektóre hiperparametry mogą mieć określone wartości, tym samym nie doceniając ogólnej niepewności.

użytkownik67724
źródło