드 파인 티의 표현 정리에 대해 너무 멋진 점은 무엇입니까?


55

에서 통계의 이론 마크 J. Schervish (12 페이지)로 :

DeFinetti의 표현 정리 1.49는 동기 부여 파라 메트릭 모델의 중심이지만 실제로는 구현에 사용되지 않습니다.

정리는 어떻게 파라 메트릭 모델의 중심인가?


2
나는 이것이 베이지안 모델의 중심이라고 생각합니다. 나는 이것을 싱글 톤과 논의하고 있었다. deFinetti의 추종자 인 베이지안을 제외하고는 베이지안 통계에서 중요성이 간과됩니다. 1980 년부터 Diaconis와 Freedman에
Michael Chernick

1
@ cardinal : 12 페이지 (질문을 업데이트했습니다).
gui11aume

2
Schervish는 "... 파라 메트릭 모델 중심 ..."이라고 말했습니다. 동기 부여
Zen

1
나는 종종 얼마나 많은 표현이 "실제"인지, 그리고 이론에 대한 특정 해석에 얼마나 의존하는지 궁금해했다. 모델을 설명하는 것만 큼 이전 분포를 설명하는 데 쉽게 사용할 수 있습니다.
확률

답변:


79

De Finetti의 대표 정리는 확률에 대한 주관적 해석 내에서 통계 모델의 중요성 과 매개 변수의 의미 및 이전 분포를 한 번에 제시합니다.

랜덤 변수 은 결과 "Heads"및 "Tails"에 각각 해당하는 값 10 을 사용하여 연속적인 동전 던지기 결과를 나타냅니다 . 확률 미적분학의 주관적 해석의 맥락에서, X i 가 독립적이고 동일하게 분포 되어있는 일반적인 잦은 모델의 의미를 분석하면서 De Finetti는 독립 조건이 예를 들어 P { X n = x nX 1 = x 1엑스1,,엑스10엑스나는 그리고 따라서, 첫 번째의 결과 N - 1 개 토스는 결과에 대한 내 불확실성 변하지 않을 것 N 토스 번째입니다. 예를 들어,이것이 균형 잡힌 동전 이라는 선험 을믿는다면, 처음 999 번의 토스가 "머리"로 밝혀졌다는 정보를 얻은 후에도 그 정보를조건부로 " 토스 1000 머리 "는 동일하다 1 / 2 . 효과적으로, X i 의 독립성에 대한 가설은동전의 토스 결과를 관찰하여 동전에 대해 아무것도 배울 수 없음을 의미합니다.

{엑스=엑스엑스1=엑스1,,엑스1=엑스1}={엑스=엑스},
1선험적으로9991/2엑스나는

이 관측으로 De Finetti는이 명백한 모순을 해결하는 독립보다 약한 조건을 도입하게되었습니다. De Finetti 솔루션의 핵심은 교환 성으로 알려진 일종의 분포 대칭입니다.

주어진 유한 세트 { X i } n i = 1 의 임의의 객체에 대해 μ X 1 , , X n 은 관절 분포를 나타냅니다. 이 유한 집합은모든 순열 π에 대해 μ X 1 , , X n = μ X π ( 1 ) , , X π ( n ) 인 경우 교환 가능합니다 . { 1 , 정의.{엑스나는}나는=1μ엑스1,,엑스μ엑스1,,엑스=μ엑스π(1),,엑스π() . 각각의 유한 서브 세트가 교환 가능한 경우 랜덤 객체의 시퀀스 { X i } i = 1 은 교환 가능합니다.π:{1,,}{1,,}{엑스나는}나는=1

랜덤 변수 시퀀스 만 교환 할 수 있다고 가정하면 De Finetti는 일반적으로 사용되는 통계 모델의 의미에 빛을 비추는 주목할만한 정리를 증명했습니다. X i가 01 값을 취하는 특별한 경우에 , De Finetti의 표현 정리는 랜덤 변수 Θ : Ω [ 0 , 1 이있는 경우에만 { X i } i = 1 을 교환 할 수 있다고 말합니다 . ] , 배포{엑스나는}나는=1엑스나는01{엑스나는}나는=1Θ:Ω[0,1] ,되도록 P { X 1 = X 1 , ... , X N = X의 N } = [ 0 , 1 ] θ S ( 1 - θ ) N - (S)μΘ 되는 이야 = Σ N I = 1 , X . 또한 ˉ X n = 1

{엑스1=엑스1,,엑스=엑스}=[0,1]θ에스(1θ)에스μΘ(θ),
에스=나는=1엑스나는 그것은 De Finetti의 강력한 수의 법칙으로 알려져 있습니다.
엑스¯=1나는=1엑스나는Θ거의 확실하게,

모델 베이지안 맥락에서 나오는 방법 통계적이 표현 정리 나타낸다 다음 관찰 가능한의 교환 성 가설하에 , 거기 파라미터 Θ는 값 주어 지도록 Θ 의 관찰 가능한는 조건부 독립적 동일하게 배포됩니다. 또한 De Finetti의 Strong law는 분포 μ Θ로 표시되는 관측 불가능한 Θ 에 대한 사전 의견 이 ˉ X n 의 한계에 대한 의견임을 보여줍니다.{엑스나는}나는=1있다매개 변수 ΘΘ조건부ΘμΘ엑스¯우리는의의 실현의 값에 대한 정보가 전에 들 '을. 매개 변수 Θ 는 유용한 보조 구성의 역할을 수행하므로 P { X n = 1 X 1 = x 1 , , X n - 1 = x n - 1 } 같은 관계를 통해 관측 가능한 항목 만 포함하는 조건부 확률을 얻을 수 있습니다. = E [ Θ X 1 = x 1 , 엑스나는Θ

{엑스=1엑스1=엑스1,,엑스1=엑스1}=이자형[Θ엑스1=엑스1,,엑스1=엑스1].

2
이 통찰력있는 답변에 감사드립니다! 독립에 대한 당신의 요점은 내가 처음으로 깨닫는 매우 중요한 것입니다.
gui11aume

( "유용한"이 더 낫다 :))
Neil G

1
ΘΘ엑스나는이자형[θ에스(1θ)에스]=이자형[(엑스나는=엑스나는나는|θ)]θ

홍보{엑스1=엑스1,,엑스=엑스Θ=θ}나는=1홍보{엑스나는=엑스나는Θ=θ}=나는=1θ엑스나는(1θ)1엑스나는엑스나는Θ=θ

나는=1홍보{엑스나는=엑스나는Θ=θ}=나는=1θ엑스나는(1θ)1엑스나는

17

Zen의 답변에 모든 것이 수학적으로 정확합니다. 그러나 나는 어떤 점에 동의하지 않습니다. 내 견해가 좋은 것이라고 주장하거나 믿지 않는다는 점에 유의하십시오. 반대로 나는이 점들이 아직 명확하지 않다고 생각한다. 이것들은 내가 토론하고 싶은 좋은 철학적 질문이며 (나를 위해 좋은 영어 연습), 나는 또한 조언에 관심이 있습니다.

  • 999엑스나는θθ999999θ1홍보(엑스=1)

  • Θθ=엑스¯θ엑스¯Θ01

  • (엑스나는Θ=θ)이드베르누이(θ)Θ베타(에이,)에이ΘΘ

늦었 어...


4
"이것은 빈번한 관점에서 사실이 아니다"

4
Θ엑스¯ΘμΘ후손Θ

θ

1
세 번째 글 머리 기호에 대해 : 1) Schervish는 베이지안 통계 학자입니다. 2) 그의 ​​책에서 교환 가능성을 논의하는데 소비하는 시간과 에너지의 양; 나는 그에게 De Finetti의 정리의 역할이 매우 깊어서 시원함을 넘어서고 있다고 믿습니다. 그러나 나는 그것이 어쨌든 매우 시원하다는 것에 동의합니다!
Zen

2
θθΘ에이

11

이 주제에 관한 논문에 관심이있을 수 있습니다 (액세스에 필요한 저널 구독-대학에서 액세스하십시오).

O'Neill, B. (2011) 교환 성, 상관 관계 및 베이 즈 효과. 국제 통계 검토 77 (2), 241-250 쪽.

이 논문은 베이지안 및 잦은 IID 모델의 기초가되는 표현 정리를 논의하고 그것을 동전 던지기 예에도 적용한다. 잦은 패러다임의 가정에 대한 논의를 정리해야한다. 실제로는 이항 모델을 넘어서는 표현 정리에 대한 더 넓은 확장을 사용하지만 여전히 유용해야합니다.


아마도 이것의 작동하는 종이 버전이 있습니까? atm에 액세스 할 수 없습니다 :-(
IMA

1
@Stats 나는 당신의 대답을 본 후 그 논문을 읽었습니다. 나는 그것이 내가 본 그 문제에 대한 베이지안과 빈번한 설명을 보여주는 최고의 논문이라고 말해야한다. 이 논문을 훨씬 일찍 읽었 으면 좋겠다. (+1)
KevinKim
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.