Дэвид Дансон (Университет Дьюка) — Повышение надежности байесовского вывода с помощью укрупнения. скачать в хорошем качестве

Дэвид Дансон (Университет Дьюка) — Повышение надежности байесовского вывода с помощью укрупнения.

Аннотация: Стандартный подход к байесовскому выводу основан на предположении, что распределение данных принадлежит выбранному классу моделей. Однако даже небольшое нарушение этого предположения может оказать существенное влияние на результат байесовской процедуры. Мы предлагаем простой, согласованный подход к байесовскому выводу, который повышает устойчивость к возмущениям модели: вместо того, чтобы обусловливать точно данные, обусловливают окрестность эмпирического распределения. При использовании окрестностей, основанных на оценках относительной энтропии, результирующее «укрупненное» апостериорное распределение можно аппроксимировать простым сглаживанием функции правдоподобия — то есть, возведением её в дробную степень. Таким образом, вывод часто легко реализуется стандартными методами, и можно даже получить аналитические решения при использовании сопряженных априорных распределений. Выводятся некоторые теоретические свойства, и мы иллюстрируем подход на реальных и смоделированных данных, используя модели смесей, авторегрессионные модели неизвестного порядка и отбор переменных в линейной регрессии. Подписка на рассылку: https://tinyurl.com/postBayesSubscribe Подписка на календарь: https://tinyurl.com/postBayesCalendar Веб-сайт: https://postbayes.github.io/seminar/ Семинар: https://postbayes.github.io/workshop2...