베이지안은 누구입니까?

통계학에 관심을 갖게되면 이분법 적 "Frequentist"와 "Bayesian"은 곧 평범 해집니다 (그리고 누가 Nate Silver의 The Signal and Noise를 읽지 못했 습니까?). 대화와 입문 과정에서 관점은 압도적으로 빈번하다 ( MLE , 값). 그러나 베이 즈 공식에 감탄 하고 일반적으로 접선으로 이전 분포 에 대한 아이디어를 다루는 데 시간이 조금 걸리는 경향이 있습니다 .$p$

베이지안 통계를 논의하기 위해 사용 된 어조는 개념적 토대에 대한 존중과 고상한 목표 사이의 틈새에 대한 회의론과 이전 분포의 선택에 대한 임의성 또는 결국 잦은 수학의 사용 사이에서 진동합니다.

"당신이 하드 코어 베이지안이라면 ..."과 같은 문장들이 풍부합니다.

문제는 오늘날 베이지안은 누구입니까? 그들은 당신이 거기에 가면 베이지안이 될 것이라는 것을 알고있는 몇몇 선택적인 교육 기관입니까? 그렇다면, 그들은 특별히 추구합니까? 우리는 소수의 존경받는 통계 학자와 수학자들을 언급하고 있습니까? 그렇다면 그렇다면 누구입니까?

그들은 순수한 "베이지 아인들"처럼 존재 하는가? 그들은 행복하게 라벨을 받아들입니까? 항상 아첨입니까? 그들은 값과 신뢰 구간을 빼앗아 회의에서 독특한 슬라이드를 가진 수학자 들이 브로셔에 쉽게 발견 되었습니까?$p$

" 틈새 "가되는 틈새 시장 은 얼마 입니까? 우리는 소수의 통계학자를 언급하고 있습니까?

아니면 현재 베이지안주의는 기계 학습 응용 프로그램과 동일합니까?

... 아니면 아마도 베이지안 통계는 통계 의 범주가 아니라 확률 계산의 양을 과학 철학으로 초월 하는 인식 론적 운동입니까? 이와 관련하여 모든 과학자들은 베이지안이 될 것입니다 ...하지만 빈번한 기술 (또는 모순)에 불 침투하는 순수한 베이지안 통계 학자와 같은 것은 없습니다.

순서대로 질문을하겠습니다.

문제는 오늘날 베이지안은 누구입니까?

베이지안 데이터 분석을 수행하고 "Bayesian"으로 자체 식별하는 사람. 프로그래머와 마찬가지로 "프로그래머"로 프로그램하고 자기 식별하는 사람이 있습니다. 약간의 차이는 역사적 이유 때문에 베이지안 은 확률에 대한 "자주 주의적"해석의 지지자들과 확률에 대한 "베이지안"해석의 지지자들 사이에서 종종 논쟁이 열리기 때문에 이데올로기 적 의미를 갖는다는 점이다.

그들은 당신이 거기에 가면 당신은 베이지안이 될 것이라는 것을 알고있는 일부 선택 교육 기관입니까?

아니요, 통계의 다른 부분과 마찬가지로 좋은 책 (그리고 아마도 좋은 선생님)이 필요합니다.

그렇다면, 그들은 특별히 추구합니까?

베이지안 데이터 분석은 통계 모델링을 수행 할 때 매우 유용한 도구입니다. 회사가 특별히 "베이지 아인"을 찾지 않는 경우에도 꽤 많이 찾는 기술이라고 생각합니다.

우리는 소수의 존경받는 통계 학자와 수학자들을 언급하고 있습니까? 그렇다면 그렇다면 누구입니까?

이 내가 자신을 부를 것이다 믿는 많은 존경 통계입니다 베이 즈는 하지만, 사람들은 없습니다 베이 즈.

그들은 순수한 "베이지 아인들"처럼 존재 하는가?

"순수한 프로그래머들이 존재합니까?"라고 묻는 것과 같습니다. 46656 종류의 베이지안 이라는 재미있는 기사 가 있으며 "베이지 아인 "들 사이에는 많은 근본적인 문제에 관한 건전한 주장이 있습니다. 프로그래머가 다른 프로그래밍 기술의 장점을 논할 수있는 것처럼. (BTW, Haskell의 순수 프로그래머 프로그램).

그들은 행복하게 라벨을 받아들입니까?

어떤 사람들은 그렇지 않습니다. Bayesian 데이터 분석을 발견했을 때 나는 그것이 얇게 썬 빵 이후 최고라고 생각했고 (아직도 그렇게하고 있음) 나는 스스로를 "Bayesian"이라고 부릅니다. 요즘 용어가 마음에 들지 않으면 Bayesian 데이터 분석이 일종의 컬트처럼 들리므로 통계 도구 상자에 유용한 방법이 아니라 사람들을 소외시킬 수 있다고 생각합니다.

항상 아첨입니까?

아니! 내가 아는 한 "Bayesian"이라는 용어는 유명한 통계 인 Fisher가 멸시하는 용어로 소개했습니다. 그 전에는 "역 확률"또는 "확률"이라고 불렀습니다.

그들은 p 값과 신뢰 구간을 빼앗아 회의에서 독특한 슬라이드를 가진 수학자들이 브로셔에 쉽게 발견 되었습니까?

글쎄, 베이지안 통계에는 회의가 있는데, 그에 많은 p- 값이 포함되어 있다고 생각하지 않습니다. 독특한 슬라이드를 찾을 수 있는지 여부는 배경에 따라 다릅니다.

"틈새"가되는 틈새 시장은 얼마입니까? 우리는 소수의 통계학자를 언급하고 있습니까?

나는 여전히 소수의 통계 학자들이 베이지안 통계를 다루고 있다고 생각하지만 그 비율도 증가하고 있다고 생각한다.

아니면 현재 베이지안주의는 기계 학습 응용 프로그램과 동일합니까?

아니요, 그러나 베이지안 모델은 기계 학습에 많이 사용됩니다. 다음은 Bayesian / probibalistic 관점에서 기계 학습을 제공하는 훌륭한 기계 학습 책입니다. http://www.cs.ubc.ca/~murphyk/MLbook/

대부분의 질문에 답한 희망 :)

최신 정보:

[C] Besian 통계를 구별하는 특정 기술 또는 구내 목록을 추가 할 수 있습니까?

베이지안 통계를 구별하는 것은 베이지안 모델의 사용입니다 :) 베이지안 모델 이 무엇인지에 대한 나의 스핀 은 다음과 같습니다 .

베이지안 모형은 모형의 모든 불확실성을 나타내는 확률을 사용하는 통계 모형으로, 출력에 대한 불확실성과 모형의 입력에 대한 불확실성 (일명 모수)입니다. 이전 / 후방 / 베이 즈 정리 전체가 이것에 뒤 따르지만 내 의견으로는 모든 것에 대한 확률을 사용하는 것이 베이지안을 만드는 것입니다.

이제, 베이지안 모델에 까다로울 수 에 맞게 , 그리고이 사용되는 다른 연산 기술의 호스트가있다. 그러나 이러한 기술은 베이지안 자체 가 아닙니다 . 일부 계산 기술의 이름을 지정하려면 :

• 마르코프 체인 몬테 카를로
  • 대도시 해 스팅
  • 깁스 샘플링
  • 해밀턴 몬테카를로
• 변형 베이
• 대략적인 베이지안 계산
• 입자 필터
• 라플라스 근사
• 등등...

'Bayesian'이라는 용어를 멸시하는 유명한 통계학자는 누구입니까?

아마 로널드 피셔 였을 것입니다. 이 신문은 때 베이지안 추론은 "베이지안"이 되었는가? "Bayesian"이라는 용어의 역사를 알려줍니다.

베이지안은 확률을 일부 제안의 타당성에 대한 수치 적 표현으로 정의하는 사람들입니다. 상용 주의자는 확률을 장기 빈도를 나타내는 것으로 정의하는 사람들입니다. 이러한 정의 중 하나에 만 만족한다면 베이지안이나 빈번한 사람입니다. 두 가지 중 하나에 만족하고 현재 작업에 가장 적합한 정의를 사용하면 통계 전문가입니다! ; o) 기본적으로, 그것은 확률의 정의로 귀결되며, 대부분의 작업 통계 학자들이 두 가지 접근법의 장점과 단점을 볼 수 있기를 바랍니다.

고귀한 목표 사이의 틈새와 이전 분포의 선택에있어서의 임의성 또는 결국 잦은 수학의 사용에 대한 회의론의 힌트.

회의론은 다른 방향으로 진행됩니다. 확률과 통계에 대한 기존 사고의 주관성을 제거하려는 높은 목표를 가지고 빈번한 사고가 이루어졌다. 그러나 주관성은 여전히 ​​존재하지만 (예를 들어 가설 검정에서 적절한 수준의 중요성을 결정하는 데), 명시 적이거나 종종 무시 되기만 합니다.

앤드류 겔먼예를 들어, Columbia University의 통계 및 정치 과학 교수 인 은 저명한 Bayesian입니다.

나는 대부분의 ISBA 동료 들이 아마도 베이 즈 인이라고 생각할 것입니다.

일반적으로 다음 연구 주제는 일반적으로 베이지안 접근 방식을 반영합니다. 당신이 그들에 관한 논문을 읽는다면, 저자들은 스스로를 "베이지 아인"으로 묘사했을 것입니다.

• 마르코프 체인 몬테 카를로
• 변형 베이지안 방법 (이름은 그 중 하나를 나타냅니다)
• 입자 필터링
• 확률 적 프로그래밍

오늘날 우리는 모두 베이지안 이지만이 두 캠프를 넘어서는 세계는 알고리즘 확률입니다. 이 주제에 대한 표준 참조가 확실하지 않지만 Kolmogorov의 알고리즘 복잡성에 대한이 아름다운 논문이 있습니다. AN Kolmogorov, "정보의 양"개념 정의에 대한 세 가지 접근 방식 , Probl는. Peredachi Inf., 1965, Volume 1, Issue 1, 3-11. 나는 영어 번역이 있다고 확신합니다.

이 논문에서 그는 정보의 양을 조합, 확률론 및 (새로운) 알고리즘의 세 가지 방식으로 정의한다. 조합은 직접 잦은 주의자에게 매핑되며, Probabilist는 베이지안과 직접적으로 일치하지는 않지만 호환됩니다.

업데이트 : 확률의 철학에 관심이 있다면 매우 흥미로운 작품을 지적하고 싶습니다. " Kolmogorov의 Grundbegriffe의 기원과 유산 Glenn Shafer와 Vladimir Vovk " . 우리는 콜 모고 로프 이전에 모든 것을 잊어 버렸고 그의 일을하기 전에 많은 일이있었습니다. 반면에 우리는 그의 철학적 견해에 대해 많이 알지 못합니다. 예를 들어 그가 빈번한 사람이라고 일반적으로 생각됩니다. 그가 1930 년대 소비에트 연방에 살았던 현실은 문자 그대로 철학에 도전하는 것은 매우 위험합니다. 문자 그대로 일부 과학자가했던 실존 적 문제에 빠질 수 있습니다 (GULAG 교도소에서 끝남). 그래서 그는 자신이 빈번한 사람임을 암시 적으로 표시하도록 강요당했습니다. 실제로 그는 수학자 일뿐 아니라 과학자 였고

Kovkogorov 의 확률에 대한 알고리즘 접근 방식에 대한 Vovk의 또 다른 논문이 있습니다. 확률의 기초에 대한 Kolmogorov의 기여

Vovk은 확률에 대한 게임 이론적 접근 방식을 만들었습니다.

$P(B|E)$$B$$E$$P(E|B)$

업데이트 3 :

또한 콜 모고 로프의 독창적 인 작품에서 실무자들에 의해 어떤 이유로 (또는 쉽게 잊혀진) 일반적으로 알려지지 않은 것을 지적하고 싶었습니다. 그는 이론을 현실과 연결하는 것에 관한 섹션을 가지고있었습니다. 특히 그는 이론을 사용하기위한 두 가지 조건을 설정했습니다.

• A. 실험을 여러 번 반복하면 발생 빈도는 확률과 약간만 달라집니다.
• B. 확률이 매우 작 으면 실험을 한 번만 수행하면 사건이 발생하지 않을 것이라고 실제로 확신 할 수 있습니다

이러한 조건에 대해 다른 해석 이 있지만 대부분의 사람들은 이것이 순수한 빈번 주의자의 견해가 아니라는 데 동의합니다. 콜 모고 로프는 폰 미제스의 접근 방식을 어느 정도 따르고 있다고 말했지만, 상황이 그렇게 단순하지는 않다고 지적했다. 나는 종종 상태 B를 생각하고 안정적인 결론을 내릴 수 없으며, 생각할 때마다 약간 다르게 보입니다.

내가 아는 가장 "하드 코어"베이지안 은 1998 년에 사망 한 Edwin Jaynes 입니다. 나는 그의 "중요한 작업"의 사후 공동 저자 인 그의 학생들 사이에서 더 많은 "하드 코어"베이지안이 발견 될 것으로 기대합니다 . 과학의 논리 , 래리 Bretthorst. 다른 유명한 역사적 베이지안으로는 Harold Jeffreys 와 Leonard Savage가 있습니다. 필자는이 분야에 대한 전체적인 개요를 가지고 있지는 않지만 최근 베이지안 방법 (특히 기계 학습)의 인기가 깊은 철학적 신념 때문이 아니라 베이지안 방법이 많은 사람들에게 유용하다는 실용적 입장이라는 인상을 받았습니다. 신청. 나는이 입장에서 전형적인 것이 Andrew Gelman 이라고 생각 합니다.

나는 베이지안이 누구인지는 모르지만 (사전에 분배해야한다고 생각하지만) 그들이 누군지 아는 것은 없습니다.

DV 린들리 (Van Lindley) DVesley를 떠난 저명인을 인용하자면, "실증적 인 베이지안보다 베이지안이 하나도 없습니다". 베이지안 방법의 경험적 베이 즈 섹션 : 사회 및 행동 과학 접근법, 제 2 판 Jeff Gill . 나는 "자주 주의자들"조차도 모든 것에 대해 완전히 기계적인 경험적인 베이지안과는 달리 어떤 모델이 어떤 의미를 지니는지 (어떤 의미에서는 모델 형태의 선택이 이전을 구성한다고) 생각한다고 가정한다.

실제로 최고의 에케 론 베이지안과 빈번한 연구자들이 수행 한 통계 분석 결과에는 그다지 큰 차이가 없다고 생각합니다. 가장 무서운 것은 절대 이데올로기 적 순도를 가진 그의 이념적 역할 모델 이후에 자신을 엄격하게 패턴 화하려고 시도하는 여성이 아닌 통계학자를 보았을 때 자신의 역할 모델이 생각한대로 정확하게 분석에 접근하는 것입니다. 역할 모델이 가진 사고의 질과 판단. 분석 및 권장 사항이 매우 나빠질 수 있습니다. 베이직 사람들에게는 초 고성능의 코어이지만 품질이 낮은 이데올로그가 빈번한 사람들보다 훨씬 일반적이라고 생각합니다. 이것은 특히 의사 결정 분석에 적용됩니다.

나는 누군가가 이것을 알기에는 너무 늦었을 것입니다. 그러나 아무도 베이지안과 빈번한 접근법의 가장 중요한 차이점이 베이지안 (대부분) 방법을 사용한다는 사실을 지적한 사람이 아무도 없다는 것을 부끄러운 생각이라고 생각합니다 상용 주의자들은 거의 변하지 않는 반면 가능성 원칙을 존중합니다. 우도 원칙은 관심있는 통계 모델 매개 변수와 관련된 증거가 관련 우도 함수에 완전히 포함되어 있다고 말합니다.

통계 이론이나 철학에 관심이있는 빈번한 사람들은 확률의 빈도와 부분적 신념 해석과 이전 확률의 바람직성에 대한 차이에 대한 주장보다는 가능성 원리의 타당성에 대한 주장에 훨씬 더 관심을 가져야한다. 갈등없이 서로 다른 확률에 대한 해석이 공존 할 수 있고 어떤 사람들은 다른 사람들에게 그렇게하지 않고 사전을 제공하도록 선택할 수 있지만, 가능성 원칙이 긍정적이거나 규범적인 의미에서 사실이라면 많은 Frequentist 방법은 그들의 주장을 잃게됩니다 최적으로. 우도 원칙에 대한 빈번한 공격은 그 원칙이 통계적 세계관을 훼손하기 때문에 격렬하지만 대부분의 공격은 자신의 마크를 놓칩니다 ( http://arxiv.org/abs/1507.08394).

당신은 베이지안이라고 믿을 수 있지만 아마도 틀렸을 것입니다 ... http://www.rmm-journal.de/downloads/Article_Senn.pdf

베이지안은 사전 신념 / 사전 정보가 주어진 관심 결과의 확률 분포를 도출합니다. 베이지안에게이 분포 (및 그 요약)는 대부분의 사람들이 관심을 가질 것입니다. 귀무 가설이 참이라는 점을 고려할 때 관찰 된 것보다 더 극단적 인 결과를 볼 수있는 가능성을 알려주는 전형적인 "자주적"결과와 대조하십시오 ( p- 값) 또는 관심있는 모수에 대한 구간 추정값으로, 반복 샘플링을 수행 할 수있는 경우 95 %에 실제 값이 포함됩니다 (신뢰 구간).

베이지안 이전 배포판은 이전 배포판이기 때문에 논쟁이 많습니다. "정확한"사전은 없습니다. 대부분의 실용적인 베이지안은 이전에 사용할 수있는 외부 증거를 찾은 다음 특정 사례에 대해 "합리적인"것으로 예상되는 것에 따라이를 할인하거나 수정합니다. 예를 들어, 회의론적인 사전은 null 경우에 "확률"확률을 가질 수 있습니다. "내 마음을 바꾸거나 현재의 습관을 바꾸려면 데이터가 얼마나 좋을까요?" 대부분은 다른 이전에 대한 추론의 견고성을 살펴볼 것입니다.

"참조"사전을 조사하여 사전 신념에 의해 "영향을받지 않는"추론을 구성 할 수있게 해주는 "베이지"그룹이 있으므로 "자주 주의적"특성을 갖는 확률 론적 진술과 구간 추정치를 얻습니다.

모델을 선택하지 말 것을 주장 할 수도 있고 (모든 모델이 잘못됨), 탐색 적 분석이 이전에 영향을 미치기 때문에 그렇게하지 말아야한다고 주장 할 수있는 "Hardcore Bayesians"그룹도 있습니다. 그래도 급진적 인 것은 거의 없습니다 ...

대부분의 통계 필드에는 베이지안 분석 및 실무자가 있습니다. 비모수를 선호하는 사람들을 찾을 수 있듯이 ...

베이지안 / 종교적 접근과 사람의 인식 론적 위치 사이의 연관성에 관한 마지막 질문 (따라서 상을받지 않습니다!)을 취하기 위해 제가 가장 흥미로운 저자는 Deborah Mayo입니다. 좋은 출발점 은 Mayo와 Andrew Gelman (여기서는 다소 이단적인 베이지안으로 나타남) 사이의 이번 교환 입니다. 메이요 나중에 겔만 & Shalizi 종이에 대한 자세한 응답을 게시 여기에 .

모든 베이지안의 하위 집합, 즉 이메일을 보내려고하는 베이지안이 여기 에 나열 됩니다 .

Bruno de Finetti와 LJ Savage Bayesians라고 부를 것입니다. 그들은 철학적 기초를 연구했습니다.

잦은 사람들과 베이지안 사이의 근본적인 논쟁을 이해하기 위해서는 Bradley Efron보다 더 권위있는 목소리를 찾기가 어려울 것입니다.

이 항목에서는 그가에 감동 한 테마되었습니다 여러 번 자신의 경력에 있지만, 개인적으로 나는 그의 나이 논문 도움이 중 하나를 발견 통계의 기초에서 논쟁을 (이 하나가 해설 우수성에 대한 상을 수상).