나는 베이지안 통계에 대해 배우고 있으며 종종 기사를 읽었습니다.
"우리는 베이지안 접근 방식을 채택합니다"
또는 비슷한 것. 나는 또한 덜 자주 알아 차렸다.
"우리는 완전히 베이지안 접근 방식을 채택합니다 "
(내 강조). 실용적 또는 이론적 의미에서 이러한 접근 방식간에 차이점이 있습니까? FWIW, MCMCglmm
관련이있는 경우 R에서 패키지 를 사용하고 있습니다.
나는 베이지안 통계에 대해 배우고 있으며 종종 기사를 읽었습니다.
"우리는 베이지안 접근 방식을 채택합니다"
또는 비슷한 것. 나는 또한 덜 자주 알아 차렸다.
"우리는 완전히 베이지안 접근 방식을 채택합니다 "
(내 강조). 실용적 또는 이론적 의미에서 이러한 접근 방식간에 차이점이 있습니까? FWIW, MCMCglmm
관련이있는 경우 R에서 패키지 를 사용하고 있습니다.
답변:
용어 "완전 베이지안 접근법" 은 문맥에 따라 "부분적으로"베이지안 접근법에서 "진정한"베이지안 접근법으로 이동 함을 나타내는 방법 일 뿐이다. 또는 "의사-베이지안 (Pseudo-Bayesian)"접근 방식을 "엄격한"베이지안 접근 방식과 구별하기 위해.
예를 들어 한 저자는 다음 과 같이 썼다. "일반적으로 RVM에 경험적 베이 즈 접근 방식을 사용했던 관심있는 다른 저자들 대부분과 달리, 우리 는 경험적 베이 즈 접근 방식이"의사-베이지안 "접근 방식이기 때문에 완전히 베이지안 접근 방식을 채택합니다 . 베이지안-빈번 예측 분포 (빈도 예측 간격의 경계와 Quantile이 일치하는 분포)와 같은 다른 의사-베이지 접근 방식이 있습니다.
이 페이지 에는 베이지안 추론을위한 몇 가지 R 패키지가 제시되어 있습니다. 사용자가 다른 패키지와 달리 사전 배포를 선택해야하기 때문에 MCMCglmm은 "완전 베이지안 방식"으로 표시됩니다.
"완전히 베이지안" 의 또 다른 의미는 베이지안 결정 이론이 베이지안 추론에 대한 견고한 기초 프레임 워크이기 때문에 베이지안 결정 이론 프레임 워크, 즉 손실 함수에서 파생 된 베이지안 추론을 수행 할 때이다.
MCMCglmm
"Fully Bayesian" 패키지 는 추정치를 도출하기 위해 MCMC를 사용하는 것과 아무 관련이 없으며, 사후를 분석적으로 찾을 수있는 사전을 지정해야한다면 여전히 Bayesian이 될 것입니까? 내 질문이 이해가되지 않으면 죄송합니다. 아직 초보자이지만 배우려고 노력하고 있습니다!
나는이 용어가 베이지안 접근법과 경험적 베이 즈 접근법을 구별하는데 사용된다고 생각한다. 풀 베이는 지정된 사전을 사용하지만 경험적인 베이는 데이터를 사용하여 사전을 추정 할 수 있습니다.
"베이지안"은 "대략 베이지안"을 의미합니다.
"Fully Bayesian"은 "대략 Bayesian"을 의미하지만 근사값은 적습니다.
편집 : 설명.
베이 즈 규칙 사용하여 주어진 모델과 데이터에 대해 완전 베이지안 접근법은 사후 확률을 계산하는 것입니다.
필자는 "완전히 베이지안"을 사용하여 모든 방해 요인이 최적화 된 것이 아니라 분석에서 소외되었다는 것을 의미합니다 (예 : MAP 추정치). 예를 들어, 한계 우도를 최대화하기 위해 조정 된 하이퍼-파라미터가있는 가우시안 프로세스 모델은 베이지안이지만, 부분적으로 그렇습니다. 반면에 공분산 함수를 정의하는 하이퍼-파라미터가 하이퍼-사전을 사용하여 통합 된 경우에는 완전히 베이지안입니다. .
실제적인 예로서 :
스플라인을 사용하여 일부 베이지안 모델링을 수행합니다. 스플라인의 일반적인 문제는 매듭 선택입니다. 하나의 인기있는 가능성은 RJMCMC (Reversible Jump Markov Chain Monte Carlo) 체계를 사용하여 각 반복 중에 매듭을 추가, 삭제 또는 이동할 것을 제안하는 것입니다. 스플라인 계수는 최소 제곱 추정치입니다.
내 의견으로는 이것은 '완전히 베이지안'접근법에 대해 사전에 이러한 계수 (및 각 반복 중에 제안 된 새로운 계수)를 배치해야하기 때문에 '부분적으로 베이지안'만 만들지 만 RJMCMC에는 최소 제곱 추정이 작동하지 않습니다. 계획과 일이 훨씬 더 어려워집니다.
지금까지 언급되지 않은 특성을 추가하겠습니다. 완전히 베이지안 접근법은 "완전히"베이 즈 정리를 통해 알려지지 않은 모든 수량의 불확실성을 전파합니다. 다른 한편으로, 경험적 베이와 같은 유사 베이 즈 접근법은 모든 불확실성을 전파하지는 않습니다. 예를 들어, 사후 예측량을 추정 할 때, 완전 베이지안 접근법은 미지의 모형 모수의 사후 밀도를 사용하여 목표 모수에 대한 예측 분포를 얻습니다. EB 접근법은 모든 미지의 불확실성을 설명하지는 않습니다. 예를 들어, 일부 하이퍼 파라미터는 특정 값으로 설정되어 전체 불확실성을 과소 평가할 수 있습니다.