베이 추정기의 비교

사전에 주어진 여기서 와 함께 차 손실 를 고려하십시오 . 하자 가능성. Bayes 추정기 찾으십시오 . $L(\theta,\delta)=(\theta-\delta)^2$ $\pi(\theta)$ $\pi(\theta)\sim U(0,1/2)$ $f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0$ $\delta^\pi$

가중 2 차 손실 여기서 와 종래 . 하자 이 될 가능성이있다. Bayes 추정량 찾으십시오 . $L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2$ $w(\theta)=\mathbb{I}_{(-\infty,1/2)}$ $\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)$ $f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0$ $\delta^\pi_1$

비교 와 $\delta^\pi$ $\delta^\pi_1$

먼저 이라는 것을 알았으며 그럴 가능성이 있다고 가정했습니다. 그렇지 않으면 사후가 나오지 않으며 이므로 2 차 손실에 대한 Bayes 추정기는 $f(x|\theta)\sim Beta(\theta,1)$

π (θ | x) \propto f (x | θ) π (θ) = θ x^{θ - 1} I_{[0, 1]} * 2 I_{(0, 1 / 2)} (θ) \sim B e t a (θ, 1)

$\pi(\theta|x)\propto f(x|\theta)\pi(\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}*2\mathbb{I}_{(0,1/2)}(\theta)\sim Beta(\theta,1)$

E [π (θ | x)] = \frac{θ}{θ + 1}

$\mathbb{E}[\pi(\theta|x)]=\frac{\theta}{\theta+1}$

나는 The Bayesian Choice 책을보고 있으며 가중 2 차 손실과 관련된 Bayes 추정기에 대한 정리가 있으며

δ^{π} (x) = \frac{E^{π} [w (θ) θ | x]}{E^{π} [w (θ) | x]}

$\delta^\pi(x)=\frac{\mathbb{E}^\pi[w(\theta)\theta|x]}{\mathbb{E}^\pi[w(\theta)|x]}$

누군가 내가 어떻게 계산하는지 설명 할 수 있습니까?

내가 시도한 것은 :

δ^{π} (x) = \frac{\frac{\int θ w (θ) f (x | θ) π (θ) d θ}{\int w (θ) f (x | θ) π (θ) d θ}}{\frac{\int f (x | θ) π (θ) d θ}{\int w (θ) f (x θ) π (θ) d θ}}

$\delta^\pi(x)=\frac{\frac{\int \theta w(\theta)f(x|\theta)\pi(\theta)d\theta}{\int w(\theta)f(x|\theta)\pi(\theta)d\theta}}{\frac{\int f(x|\theta)\pi(\theta)d\theta}{\int w(\theta)f(x\theta)\pi(\theta)d\theta}}$

지원은 이지만 분자에 통합하려고 할 때 $[0,\frac{1}{2}]$

\int θ w (θ) f (x | θ) π (θ) d θ = \int_{0}^{\frac{1}{2}} θ θ x^{θ - 1} d θ = \frac{1}{x} \int_{0}^{\frac{1}{2}} θ^{2} x^{θ} d θ

$\int \theta w(\theta)f(x|\theta)\pi(\theta)d\theta=\int_0^\frac{1}{2}\theta\theta x^{\theta-1}d\theta=\frac{1}{x}\int_0^\frac{1}{2}\theta^2 x^\theta d\theta$

나는 좋은 결과를 얻지 못한다.

— 시안
소스

아닌가 음이 여기에?

w (θ)

$w(\theta)$

— Juho Kokkala

" non-negative 에만 해당"에 대한 귀하의 의견을 이해하지 못합니다. (1) 손실 함수는 절대로 부정적이지 않으며 (2) 손실 함수는 어쨌든 부정적이지 않기 때문입니다.

w (θ)

$w(\theta)$

— whuber

@whuber Gosh, 이제 나는 관용구를 깨달았고 지표 지원을보고있었습니다

답변:

첫째, 당신의 가능성 정의의 표시 기능 WRT 질문의 원래 문구를 수정하는 것으로 그들은의 기능으로 가지고 하지 . 따라서 가능성은 입니다. $x$ $\theta$

f (x) = θ x^{θ - 1} I_{[0, 1]} (x)

$f(x)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x)$

\int_{0}^{1} θ x^{θ - 1} d x = 1

$\int_0^1 \theta x^{\theta-1}\text{d}x = 1$

둘째, 후자 는 Greenparker 표시된 것처럼 베타 함수가 아닙니다. 제약으로 인해 의 값 에서 감마 분포는 아니지만 감마 분포의 잘립니다. $\theta$

π (θ | x) \propto I_{[0, 1 / 2]} (θ) θ x^{θ - 1} \propto I_{[0, 1 / 2]} (θ) θ \exp {\log (x) θ}

$\pi(\theta|x)\propto\, \mathbb{I}_{[0,1/2]}(\theta)\theta x^{\theta-1}\propto \mathbb{I}_{[0,1/2]}(\theta)\,\theta \exp\{\log(x)\theta\}$

θ

$\theta$

따라서 Bayes 추정기는 사후 기대치 불완전한 감마 함수를 사용해야 할 수도 있지만 부분적으로 통합하여 닫힌 형태로 파생 될 수 있습니다. 이후

\begin{aligned} E [θ | x] & = \int_{0}^{1 / 2} θ \times θ \exp {\log (x) θ} d θ / \int_{0}^{1 / 2} θ \exp {\log (x) θ} d θ \\ = \int_{0}^{1 / 2} θ^{2} \exp {\log (x) θ} d θ / \int_{0}^{1 / 2} θ \exp {\log (x) θ} d θ \end{aligned}

$\begin{align*}\mathbb{E}[\theta|x] &= \int_0^{1/2} \theta\times\theta \exp\{\log(x)\theta\}\text{d}\theta \Big/ \int_0^{1/2} \theta \exp\{\log(x)\theta\}\text{d}\theta\\&= \int_0^{1/2} \theta^2 \exp\{\log(x)\theta\}\text{d}\theta \Big/ \int_0^{1/2} \theta \exp\{\log(x)\theta\}\text{d}\theta\\\end{align*}$

\int_{0}^{1 / 2} θ^{k} \exp {- α θ} d θ = \frac{- 1}{α} {[θ^{k} \exp {- α θ}]}_{0}^{1 / 2} + \frac{k}{α} \int_{0}^{1 / 2} θ^{k - 1} \exp {- α θ} d θ

$\int_0^{1/2} \theta^k \exp\{-\alpha\theta\}\text{d}\theta = \frac{-1}{\alpha}\left[\theta^k \exp\{-\alpha\theta\}\right]_0^{1/2} + \frac{k}{\alpha}\int_0^{1/2} \theta^{k-1} \exp\{-\alpha\theta\}\text{d}\theta$

\int_{0}^{1 / 2} \exp {- α θ} d θ = \frac{1 - \exp {- α / 2}}{α}

$\int_0^{1/2} \exp\{-\alpha\theta\}\text{d}\theta = \frac{1-\exp\{-\alpha/2\}}{\alpha}$

마지막으로, 내 책에 표시된 것처럼 실제로 를 최소화하는 것은 자체는 이전의 원래 를 새로운 이전의 로 바꾸는 것과 밀도로 다시 정규화해야하는 , 즉 $\delta$

\int w (θ) (θ - δ)^{2} π (θ | x) d θ

$\int w(\theta)(\theta-\delta)^2 \pi(\theta|x) \text{d}\theta$

δ

$\delta$

\int w (θ) (θ - δ)^{2} π (θ) f (x | θ) d θ

$\int w(\theta)(\theta-\delta)^2 \pi(\theta)f(x|\theta) \text{d}\theta$

δ

$\delta$

\int (θ - δ)^{2} w (θ) π (θ) f (x | θ) d θ

$\int (\theta-\delta)^2 w(\theta)\pi(\theta)f(x|\theta) \text{d}\theta$

π

$\pi$

w (θ) π (θ)

$w(\theta)\pi(\theta)$

π_{1} (θ) = w (θ) π (θ) / \int w (θ) π (θ) d θ

$\pi_1(\theta)=w(\theta)\pi(\theta) \Big/\int w(\theta)\pi(\theta)\text{d}\theta$

— 시안
소스

제곱 오류 손실 부분에 대한 귀하의 답변이 잘못되었습니다.

π (θ | x) \propto f (x | θ) π (θ) = 2 θ x^{θ - 1} I_{(0, 1 / 2)} (θ) .

$\pi(\theta|x) \propto f(x|\theta) \pi(\theta) = 2\theta x^{\theta-1}I_{(0,1/2)}(\theta).$

이것은 인 유통 , 하지 에 및 후방에있는 랜덤 변수이다 . 따라서 당신의 대답은 틀 렸으며, 정답은 그 분포의 사후 평균이 될 것입니다. $Beta(\theta,1)$ $x$ $\theta$ $\theta$

두 번째 부분에서는

(가중 손실 함수의 이전은 이지만이를 합니다. 표기법을 다시 전환 합니다.) $\pi_1$ $\pi$ $\pi_1$

하자 , 여기서, 정규화 상수이다. 당신은 계산해야합니다 $\pi'(\theta) = cw(\theta) \pi_1(\theta)$ $c$

\begin{aligned} δ^{π_{1}} (x) & = \frac{E^{π_{1}} [w (θ) θ | x]}{E^{π_{1}} [w (θ | x)]} \\ = \frac{\int w (θ) θ f (x | θ) π_{1} (θ) d θ}{\int w (θ) f (x | θ) π_{1} (θ) d θ} \\ = \frac{\int θ f (x | θ) π^{'} (θ) d θ}{\int f (x | θ) π^{'} (θ) d θ} \\ = E^{π^{'}} [θ | x] \end{aligned}

$\begin{align*} \delta^{\pi_1}(x) & = \dfrac{E^{\pi_1}[w(\theta) \theta |x ]}{E^{\pi_1}[w(\theta|x)]}\\ & = \dfrac{\int w(\theta) \theta f(x|\theta) \pi_1(\theta)\, d\theta}{\int w(\theta) f(x|\theta)\pi_1(\theta)\, d\theta}\\ & = \dfrac{\int \theta f(x|\theta) \pi'(\theta) \,d\theta}{\int f(x|\theta) \pi'(\theta) \, d\theta}\\ & = E^{\pi'}[\theta|x] \end{align*}$

따라서 가중 최소 제곱 손실 함수의 경우 정리에 따르면 베이 즈 추정값이 다른 이전에 대한 사후 평균이라고합니다. 이전의

π^{'} (θ) \propto w (θ) π_{1} (θ) .

$\pi'(\theta) \propto w(\theta) \pi_1(\theta).$

정규화 상수는 입니다. $\int_{\theta} w(\theta) \pi(\theta) d\theta = E_{\pi_1}[w(\theta)]$

\begin{aligned} E_{π_{1}} [w (θ)] & = \int_{0}^{1 / 2} I_{0, 1} (θ) d (θ) = \frac{1}{2} . \end{aligned}

$\begin{align*} E_{\pi_1}[w(\theta)] & = \int_{0}^{1/2} I_{0,1}(\theta) d(\theta) = \frac{1}{2}. \end{align*}$

따라서 이전은 입니다. 이것은 첫 번째 질문에서했던 것과 같습니다. $\pi'(\theta) = 2I_{(0,1/2)}(\theta)$

따라서 시나리오에 대한 답은 무엇이든 동일합니다. 여기 에서 적분을 찾을 수 있습니다 . 그러나 답의 형태를 정하고 적분을 완성하지 않는 것으로 충분할 수 있습니다.

— 그린 파커
소스