나는 정보가 없다는 의미에서 "정보가없는"단일의 선행은 없다는 것을 지적하면서 Xi'an 의 탁월한 답변에 동의한다 . 이 주제를 확장하기 위해 한 가지 대안이 부정확 한 확률 프레임 워크 내에서 베이지안 분석을 수행하는 것임을 지적하고 싶었습니다 (예 : Walley 1991 , Walley 2000 참조 ). 이 프레임 워크 내에서 사전 신념은 일련의 확률 분포로 표현됩니다., 이는 대응하는 후방 분포 세트로 이어집니다. 그다지 도움이되지는 않을 것 같지만 실제로는 놀랍습니다. 매우 광범위한 사전 분포 세트 (일부 모멘트가 가능한 모든 값을 초과 할 수있는 경우)에도 여전히 와 같이 단일 후부로 수렴을 얻습니다 .n→∞
이 분석 프레임 워크는 Walley에 의해 고유 한 확률 론적 분석 형식으로 축약되었지만 기본적으로 일련의 사전을 사용하는 강력한 베이지안 분석과 동일하며, 그에 상응하는 후방 집합을 산출합니다. 많은 모델에서 일부 모멘트 (예 : 사전 평균)가 가능한 전체 값 범위에서 변할 수 있도록 "정보가없는"사전 세트를 설정할 수 있으며, 그럼에도 불구하고 사후 모멘트가 제한되는 중요한 사후 결과를 생성합니다 더 단단히. 이 형태의 분석은 적어도 허용 가능한 전체 범위에 걸쳐 변할 수있는 순간에 대해 "정보가없는"이라고 더 나은 주장을합니다.
간단한 예-Bernoulli 모델 : 데이터 여기서 는 알려지지 않은 매개 변수입니다. 일반적으로 베타 밀도를 이전으로 사용합니다 (제프리의 이전 및 참조 이전의 형식 모두). 사전 평균 및 다른 매개 변수 관점에서이 형식의 사전 밀도를 다음과 같이 지정할 수 있습니다 .X1,...,Xn|θ∼IID Bern(θ)θμκ>1
π0(θ|μ,κ)=Beta(θ|μ,κ)=Beta(θ∣∣α=μ(κ−1),β=(1−μ)(κ−1)).
(이 양식은 이전의 순간 및 합니다.) 이제 부정확 한 모델에서 가능한 모든 예상 값에 대한 이러한 모든 사전 분포 세트 로 구성되도록 사전을 설정 하지만 평균 값 범위의 정밀도를 제어하기 위해 다른 매개 변수를 고정하십시오. 예를 들어, 일련의 우선 순위를 사용할 수 있습니다.E(θ)=μV(θ)=μ(1−μ)/κ
P0≡{Beta(μ,κ)∣∣0⩽μ⩽1}.
데이터에서 양의 지표를 관찰한다고 가정 합니다. 그런 다음 Bernoulli- 베타 모델의 업데이트 규칙을 사용하여 해당 사후 세트는 다음과 같습니다.s=∑ni=1xi
Px={Beta(s+μ(κ−1)n+κ−1,n+κ)∣∣0⩽μ⩽1}.
사후 기대 값의 가능한 범위는 다음과 같습니다.
sn+κ−1⩽E(θ|x)⩽s+κ−1n+κ−1.
여기서 중요한 것은 매개 변수의 예상 값 (사전 예상은 모든 가능한 값에 대해 다름)과 관련하여 "정보가없는"모델로 시작했지만 그럼에도 불구하고 관련 정보에 대한 사후 추론으로 끝납니다. 매개 변수의 사후 기대치까지 (이제 더 좁은 범위의 값에 걸쳐 있음). 마찬가지로 값이 범위의 값에 해당하는 단일 지점까지 압착 .n→∞θ