WikiDer > Предельная вероятность

В статистика, а функция предельного правдоподобия, или же интегрированная вероятность, это функция правдоподобия в котором некоторые переменные параметров были маргинализованный. В контексте Байесовская статистика, его также можно назвать свидетельство или же модельное свидетельство.

Концепция

Учитывая набор независимые одинаково распределенные точки данных ${ Displaystyle mathbf {X} = (x_ {1}, ldots, x_ {n}),}$ куда ${ displaystyle x_ {i} sim p (x_ {i} | theta)}$ согласно некоторым распределение вероятностей параметризованный ${ displaystyle theta}$, куда ${ displaystyle theta}$ сам по себе случайная переменная описывается распределением, т.е. ${ Displaystyle тета сим р ( тета | альфа),}$ маржинальное правдоподобие в целом спрашивает, какова вероятность ${ Displaystyle р ( mathbf {X} | альфа)}$ это здесь ${ displaystyle theta}$ был маргинализованный (интегрировано):

${ Displaystyle п ( mathbf {X} | альфа) = int _ { theta} p ( mathbf {X} | theta) , p ( theta | alpha) operatorname {d} ! theta}$

Приведенное выше определение сформулировано в контексте Байесовская статистика. В классическом (частотник) статистики, понятие предельного правдоподобия возникает вместо этого в контексте совместного параметра ${ displaystyle theta = ( psi, lambda)}$, куда ${ displaystyle psi}$ - фактический интересующий параметр, и ${ displaystyle lambda}$ неинтересный неприятный параметр. Если существует распределение вероятностей для ${ displaystyle lambda}$, часто желательно рассматривать функцию правдоподобия только в терминах ${ displaystyle psi}$путем маргинализации ${ displaystyle lambda}$:

${ Displaystyle { mathcal {L}} ( psi; mathbf {X}) = p ( mathbf {X} | psi) = int _ { lambda} p ( mathbf {X} | lambda , psi) , p ( lambda | psi) operatorname {d} ! lambda}$

К сожалению, предельное правдоподобие, как правило, трудно вычислить. Точные решения известны для небольшого класса распределений, особенно когда маргинальным параметром является сопряженный предшествующий распределения данных. В других случаях какой-то численное интегрирование требуется либо общий метод, например Гауссовское интегрирование или Метод Монте-Карло, или метод, специализирующийся на статистических задачах, таких как Приближение Лапласа, Гиббс/Мегаполис выборка, или EM алгоритм.

Также возможно применить приведенные выше соображения к одной случайной величине (точке данных). ${ displaystyle x}$, а не набор наблюдений. В байесовском контексте это эквивалентно предварительное прогнозное распределение точки данных.

Приложения

Сравнение байесовских моделей

В Сравнение байесовских моделеймаргинальные переменные - это параметры для определенного типа модели, а оставшаяся переменная - это идентичность самой модели. В этом случае маргинальное правдоподобие - это вероятность данных с учетом типа модели, без каких-либо конкретных параметров модели. Записав θ для параметров модели, предельное правдоподобие для модели M является

${ Displaystyle р (Икс | М) = int р (х | тета, М) , р ( тета | М) , OperatorName {d} ! theta}$

Именно в этом контексте термин модельное свидетельство обычно используется. Эта величина важна, потому что апостериорное отношение шансов для модели M₁ против другой модели M₂ включает в себя соотношение предельных вероятностей, так называемое Фактор Байеса:

${ Displaystyle { гидроразрыва {p (M_ {1} | x)} {p (M_ {2} | x)}} = { frac {p (M_ {1})} {p (M_ {2}) }} , { frac {p (x | M_ {1})} {p (x | M_ {2})}}}$

что схематично можно представить как

задний шансы = предыдущие шансы × Фактор Байеса

Смотрите также

• Эмпирические байесовские методы
• Парадокс Линдли
• Предельная вероятность

Эта статья включает Список ссылок, связанное чтение или внешняя ссылка, но его источники остаются неясными, потому что в нем отсутствует встроенные цитаты. Пожалуйста, помогите улучшать эта статья введение более точные цитаты. (Июль 2010 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Рекомендации

• Чарльз С. Бос. «Сравнение методов расчета предельного правдоподобия». В В. Хердле и Б. Ронце, редакторах, COMPSTAT 2002: Труды по вычислительной статистикеС. 111–117. 2002 г. (Доступен в виде препринта в Интернете: [1])
• Он-лайн учебник: теория информации, выводы и алгоритмы обучения, к Дэвид Дж. К. Маккей.