贝叶斯统计ppt课件

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
在一个序列中观测值之间要隔多远才可以 看作是近似独立的。
该链是否近似达到其平稳分布。
16
诊断方法 观察样本路径 观察自相关性图 方差比收敛性诊断
17
(1)观察样本路径 产生多条马尔可夫链,观察样本路径(对多个
初始值产生多个马尔可夫链)
样本路径是一个描述迭代数对应 (m)的实现
图。样本路径有时也称为历史图。如果链的混合不 是很好,那么在很多次迭代中它会取 相同或者相近 的数值。一个好的链能够快速地远离初始值,无论 以何值开始。
33
三 Bayes区间估计
Bayes区间估计
参数θ是随机变量,其后验分布h(θ| x )(x是 样本观测值),θ的可信度为1-α的区间估计满 足
P(L
U
x)
U h(
L
x)d
1
即在得到样本观测值x的条件下,随机变量θ
落入区间[θL ,θU ]的概率是1-α(θL ,θU)样本观测 值x的函数,是确定的量)。
P(L U ) 1
理解为进行了大量重复试验,随机区间 [θL ,θU ]包含常数θ的概率为1-α (θL ,Θu样本x的 函数,是随机变量)。
32
三 Bayes区间估计
经典统计学中,对给定的样本容量n,若进 行多次反复的抽样,得到了众多个不同的 区间,其中每个区间,要么包含θ的真值, 要么不包含θ的真值。
(1)最大后验估计 设θ∈Θ,使后验分布h(θ| x )达到最大
值的点 M称D为θ的最大后验估计,即:
h( MD x) sup h( x)
28
二 参数的Bayes点估计
(2)后验均值估计(后验期望估计)
后验分布h(θ| x )的均值称为θ的后验
均值估计(或后验期望估计),记为,
即:
E
E E( x) h( x)d
x=(x1,x2,…,xn)T 的函数,即
(x) (x1,x2, , xn )
在一般场合下,这三种估计是不同的,
当后验分布h(θ| x )对称时,这三种估计 是相等的。
31
三 Bayes区间估计
经典区间估计
参数θ是未知常数(非随机变量),其置信 度为1-α的区间估计[θL ,θU]满足
样本分布f( x |θ)中未知参数为θ;其中 x=(x1,x2,…,xn)T ;设θ的先验分布为π(θ)。 有Bayes公式, θ的后验分布:
h( x) ( ) f (x ) ( )L(x )
这个后验分布h(θ| x )是进行θ 的Bayes点估 计的出发点。
27
二 参数的Bayes点估计
9
立即更新的Gibbs抽样描(0述) 如下:
(1)选择初始值 (0)。
(2)逐个生成。
(3)增加m,返回第(2)步。
10
11
Metropolis-Hastings抽样
12
13
14
假设数据是N(1,4)的1000个随机数;
0和 0的初值是0和1,用随机移动的正态分布作为建议
分布做法就应该是,0
=
0 0
建议分布为N( 0 ,I),再由它生成一个随机向量作为 0
1,然后看接受概率a,设先验 ( )为均匀分布,设 p(x,x' )=p(x',x),则a min(1, ( ' ))
( )
15
三、MCMC方法的收敛性诊断
要多久链才可以不依赖于其初始值以及需 要多久该链能完全挖掘目标分布函数支撑 的信息。
24
一 Bayes统计推断概述
所研究的问题有一个确定的总体,其总体 分布未知或部分未知,通过从该总体中抽 取的样本(观测数据)作出与未知分布有 关的某种结论。
目的:利用问题的基本假定及包含在观测 数据中的信息,作出尽量精确和可靠的结 论。
25
一 Bayes统计推断概述
Bayes推断
26
二 参数的Bayes点估计
18
历史迭代图
不收敛 收敛
19
(2)观察自相关性图 (m)
自相关性图用于描述(m)序列在不同迭代
延迟下的相关性,延迟i的自相关性是指相 距i步的两迭代之间的相关性。具有较差的 性质的链随着迭代延迟的增加会表现出较 慢的自相关衰弱。
20
21
22
23
Bayes Bayes统计推断
Bayes统计推断概述 参数的Bayes点估计 Bayes区间估计 Bayes假设检验
34
三 Bayes区间估计
经典统计学认为,参数可以有一个取值范 围,但本身不具有随机性,因此未知参数 不是一个随机变量,仅是一个未知数而已。
这是经典统计方法与Bayes统计方法的根本 区别之一。
35
三 Bayes区间估计
Beyas等尾可信区间 θL =后验分布h(θ| x )的α/ 2分位数; θU =1 - α/ 2分位数。
MCMC方法
1
一、贝叶斯统计的框架分析
后验分布先验信息 似然函数
困难: 后验分布是复杂的、高维的分布
解决方法:马尔可夫链蒙特卡罗(MCMC)方法
2
目前,MCMC已经成为一种处理复杂统 计问题的特别流行的工具,尤其在经常需 要复杂的高维积分运算的贝叶斯分析领域 更是如此。在那里,高维积分运算主要是 用来求取普通方法无法得到的后验分布密 度。如果合理的定义和实施,MCMC总能得 到一条或几条收敛的马尔可夫链,该马尔 可夫链的极限分布就是所需的后验分布
3
(一)预备知识
4
5
(二)基本思想
6
(三)常用MCMC算法 Gibbs抽样(吉布斯采样算法)
7
8
立即更新的Gibbs抽样
每次迭带的时候 的一些元素已经被跟新了,如果在更
新其他的元素时不使用这些更新后的元素会造成一定程度 的浪费。事实上, Gibbs抽样 可通过在每一步都利用近似 得到的其他元素的值来获得更好的效果。这种方法改进了 练的混合,换句话说,链能更加迅速,更加详尽的搜索目 标分布的支撑空间。
等尾可信区间常被采用,但不是最优的, 最优可信区间的长度应该最短,这只要 把具有最大后验密度函数的点包含在区 间内,而在区间外的点上的后验密度函 数值不超过区间内的后验密度函数值。
29
二 参数的Bayes点估计
(3)后验中位数估计
若 Me是后验分布h(θ| x )的中位数, 则 Me称为θ的后验中位数估计。即若
u0.5 h( x)d 0.5
则后验分布中位数估计
Me u0.5
30
二 参数的Bayes点估计
ห้องสมุดไป่ตู้
以上三种估计统称θ的Bayes估计,记为
或简记B 为 。它们 皆是样本观察值
相关文档
最新文档