Mam funkcję prawdopodobieństwa dla prawdopodobieństwa moich danych biorąc pod uwagę niektóre parametry modelu , które chciałbym oszacować. Zakładając płaskie priorytety parametrów, prawdopodobieństwo jest proporcjonalne do prawdopodobieństwa a posteriori. Używam metody MCMC, aby zbadać to prawdopodobieństwo.
Patrząc na wynikowy zbieżny łańcuch, stwierdzam, że parametry maksymalnego prawdopodobieństwa nie są zgodne z rozkładami bocznymi. Na przykład marginalizowany rozkład prawdopodobieństwa z tyłu dla jednego z parametrów może wynosić , podczas gdy wartość w punkcie maksymalnego prawdopodobieństwa wynosi , zasadniczo jest to prawie maksymalna wartość trawersowana przez próbnik MCMC.
To jest przykład ilustrujący, a nie moje rzeczywiste wyniki. Rzeczywiste rozkłady są znacznie bardziej skomplikowane, ale niektóre parametry ML mają podobnie mało prawdopodobne wartości p w swoich odpowiednich rozkładach bocznych. Zauważ, że niektóre z moich parametrów są ograniczone (np. ); w granicach, a priori są zawsze jednolite.
Moje pytania to:
Czy takie odchylenie stanowi problem sam w sobie ? Oczywiście nie oczekuję, że parametry ML będą dokładnie zbieżne z maksymami każdego z ich zmarginalizowanych tylnych rozkładów, ale intuicyjnie wydaje się, że nie należy ich również znaleźć głęboko w ogonach. Czy to odchylenie automatycznie unieważnia moje wyniki?
Niezależnie od tego, czy jest to z konieczności problematyczne, czy może być objawem określonych patologii na pewnym etapie analizy danych? Na przykład, czy można sformułować jakieś ogólne stwierdzenie, czy takie odchylenie może być wywołane przez niewłaściwie zbieżny łańcuch, niewłaściwy model lub zbyt wąskie ograniczenia parametrów?