Bei der Bewertung eines Schätzers sind die beiden wahrscheinlich am häufigsten verwendeten Kriterien das maximale Risiko und das Bayes-Risiko. Meine Frage bezieht sich auf die letztere:
Das Bayes-Risiko unter dem vorherigen ist wie folgt definiert:
Ich verstehe nicht ganz, was der vorherige tut und wie ich ihn interpretieren soll. Wenn ich eine Risikofunktion und sie zeichne, würde ich intuitiv ihre Fläche als Kriterium nehmen, um zu beurteilen, wie "stark" das Risiko über alle möglichen Werte von . Aber die Einbeziehung des Prior zerstört diese Intuition irgendwie wieder, obwohl sie nahe ist. Kann mir jemand helfen, wie man den Prior interpretiert?
bayesian
decision-theory
Peter-Serie
quelle
quelle
Antworten:
[Hier ist ein Auszug aus meinem eigenen Lehrbuch The Bayesian Choice (2007) , der für einen entscheidungstheoretischen Ansatz zur Bayes'schen Analyse und damit für die Verwendung des Bayes-Risikos spricht.]
Mit Ausnahme der trivialsten Einstellungen ist es im Allgemeinen unmöglich, die Verlustfunktion einheitlich zu minimieren (in ) wenn unbekannt ist. Um ein effektives Vergleichskriterium aus der Verlustfunktion abzuleiten, schlägt der frequentistische Ansatz vor, stattdessen den durchschnittlichen Verlust (oder das häufig auftretende Risiko ) zu berücksichtigen. wobei die Entscheidungsregel ist, dh die Zuordnung einer Entscheidung zu jedem Ergebnisd L(θ,d) θ
Die Funktion aus in wird normalerweise als Schätzer bezeichnet (während der Wert als Schätzung von ). Wenn keine Verwechslungsgefahr besteht, bezeichnen wir die Menge der Schätzer auch mit .δ X D δ(x) θ D
Das frequentistische Paradigma stützt sich auf dieses Kriterium, um Schätzer zu vergleichen und, wenn möglich, den besten Schätzer auszuwählen. Der Grund dafür ist, dass Schätzer hinsichtlich ihrer langfristigen Leistung für alle möglichen Werte des Parameters bewertet werden . Beachten Sie jedoch, dass mit diesem Ansatz mehrere Schwierigkeiten verbunden sind.θ
Beispiel 2.4 - Betrachten Sie und , zwei Beobachtungen aus Der interessierende Parameter ist (dh ) und wird von Schätzern unter dem Verlust geschätzt oft als Verlust bezeichnet , der Schätzfehler unabhängig von ihrer Größe um bestraft . In Anbetracht des bestimmten \ est seine Risikofunktionx1 x2
Im Gegenteil, der Bayes'sche Ansatz zur Entscheidungstheorie integriert sich in den Raum da unbekannt ist, anstatt in den Raum wie bekannt ist. Es beruht auf dem posterioren erwarteten Verlust der den Fehler (dh den Verlust) gemäß dem mittelt posteriore Verteilung des Parameters , abhängig vom beobachteten Wert} . Bei ist der durchschnittliche Fehler, der sich aus der Entscheidung ergibt, tatsächlichΘ θ X x
quelle
Zitat der klassischen statistischen Entscheidungstheorie von James O. Berger:
Ja, Sie können für jedes auswerten , aber dann würden Sie implizit annehmen, dass jeder mögliche Wert von gleich wahrscheinlich ist. Im Bayes'schen Szenario wählen Sie das vorherige , das die Wahrscheinlichkeiten der Beobachtung verschiedener widerspiegelt , und enthalten solche Informationen.R(θ,δ) θ θ π(θ) θ
quelle