분명히 베이 즈 요인은 어떻게 든 전체 모형 공간에 통합 된 각 모형의 가능성을 나타내는 가능성을 사용합니다 (예 : MLE만이 아님). 이 통합은 실제로 일반적으로 어떻게 이루어 집니까? 매개 변수 공간에서 수천 (백만?) 개의 임의의 샘플 각각에 대한 우도를 계산하려고합니까, 아니면 매개 변수 공간에서 우도를 통합하는 분석 방법이 있습니까?
피( D | M)디M
Bayes 요소를 올바른 설정에 배치하는 것이 중요합니다. 예를 들어, 두 가지 모델이 있고 확률에서 승산으로 변환하면 Bayes 요인이 사전 신념에 대한 연산자처럼 작동합니다.
PosteriorOdds=BayesFactor∗PriorOdds
P(M1|D)P(M2|D)=B.F.×P(M1)P(M2)
실제 차이점은 가능성 비율이 계산 비용이 저렴하고 일반적으로 개념적으로 지정하기 쉽다는 것입니다. MLE에서의 가능성은 각각 베이 즈 계수 분자 및 분모의 점 추정치 일뿐입니다. 대부분의 빈번한 구성과 마찬가지로이 방법은 도달하기 어려운 이전의 계획을 가진 베이지안 분석의 특별한 경우로 볼 수 있습니다. 그러나 분석적으로 다루기 쉽고 계산하기 쉽기 때문에 주로 발생했습니다 (대략 베이지안 계산 방식이 시작되기 전).
계산에있어, 예 : 거의 모든 실제 관심사에서 대규모 몬테카를로 절차를 사용하여 베이지안 설정의 다른 가능성 적분을 평가할 것입니다. 특정 분포를 가정 할 때 작동하는 GHK와 같은 일부 특수 시뮬레이터가 있으며, 이러한 가정을 수행하면 때로는 분석적으로 베이 즈 요인이 존재하는 분석적으로 다루기 힘든 문제를 찾을 수 있습니다.
그러나 아무도 이것을 사용하지 않습니다. 그럴 이유가 없습니다. 최적화 된 Metropolis / Gibbs 샘플러 및 기타 MCMC 방법을 사용하면 이러한 문제에 완전히 데이터를 기반으로 접근하고 수치를 계산할 수 있습니다. 실제로 데이터 수집 메커니즘, 무시할 수없는 실험 설계 등과 관련된 메타 우선 순위에 대한 결과를 계층 적으로 수행하고 결과를 더 통합 할 수 있습니다.
이에 대한 자세한 내용은 Bayesian Data Analysis 책을 권장합니다 . 앤드류 겔먼 (Andrew Gelman) 은 베이 즈 요인에 대해 너무 신경 쓰지 않는 것으로 보인다 . 제쳐두고, 나는 Gelman에 동의합니다. 베이지안으로 가려면 후부 전체를 활용하십시오. 베이지안 방법으로 모델 선택을하는 것은 모델 선택이 약하고 대부분 쓸모없는 형태의 추론이기 때문에 핸디캡과 비슷합니다. 가능하다면 모델 선택에 대한 분포를 알고 싶습니다. 누가 "모델 A가 모델 B보다 낫습니다"라고 말하지 않아도 될까요?
또한 Bayes 계수를 계산할 때 가능성 비율과 마찬가지로 복잡성에 대한 보정을 적용합니까 (가능성에 대한 교차 검증 된 추정을 통해 자동으로 또는 AIC를 통해 분석적으로)?
M1M2d1d2d1<d2N
B1,2M1M1N→∞B1,2∞
B1,2=O(N12(d2−d1))
실비아 프루 흐히 르트-슈나 터 (Sylvia Frühwirth-Schnatter)의 유한 혼합물 및 마르코프 스위칭 모델 ( Markin Switching Models) 이라는 책에서이 파생 된 내용과 토론에 익숙 하지만, 그 기본에 대한 인식론에 대해 더 자세히 설명하는보다 직접적인 통계적 설명이있을 수 있습니다.
나는 여기에 세부 사항을 충분히 알지 못하지만 이것과 AIC의 파생 사이에는 상당히 깊은 이론적 연관성이 있다고 생각합니다. Cover and Thomas의 Information Theory Book은 적어도 이것을 암시했습니다.
또한 우도 비와 베이 즈 요인 사이의 철학적 차이는 무엇입니까 (nbsp) 일반적으로 우도 비와 베이 즈 방법 사이의 철학적 차이에 대해서는 묻지 않지만 구체적으로 객관적인 증거를 나타내는 베이 즈 계수입니다. 가능성 비율과 비교하여 베이 즈 요인의 의미를 어떻게 특성화 할 수 있습니까?
"해석"에 대한 위키 백과 문서의 섹션 이 (증거 규모의 제프리스 '강도 보여주는 특히 차트를) 논의의 좋은 일을한다.
평소와 같이 베이지안 방법과 잦은 방법 (이미 익숙한 것)의 기본적인 차이점을 넘어서는 철학적 요소가 그리 많지 않습니다.
가장 중요한 것은 가능성 비율이 네덜란드어 책 의미에서 일관성이 없다는 것입니다. 가능성 비율에서 모델 선택 유추로 인해 베팅 손실을 허용하는 시나리오를 만들 수 있습니다. 베이지안 방법은 일관성이 있지만 이전에는 매우 열악하고 주관적으로 선택해야합니다. 장단점 .. 장단점 ...
FWIW, 나는 이런 종류의 매개 변수가 많은 모델 선택이 그렇게 좋은 추론이 아니라고 생각합니다. 나는 베이지안 방법을 선호하고 더 계층 적으로 구성하는 것을 선호하며, 계산이 가능하다면 모든 후부 분포를 중심으로 추론하기를 원합니다. 베이 즈 요인에는 약간의 수학적 특성이 있다고 생각하지만, 베이지안 자체는 그다지 인상적이지 않습니다. 그들은 베이지안 분석의 정말 유용한 부분을 은폐합니다. 즉, 깔개 밑에서 쓸어 내지 않고 열린 곳에서 이전의 일을 처리해야하며, 후부 전체를 추론 할 수 있습니다.