7 Alasan Menggunakan Inferensi Bayesian! – Beragampengetahuan

Saya tidak mengatakan Anda harus menggunakan inferensi Bayesian untuk menyelesaikan setiap masalah. Saya hanya memberikan tujuh alasan berbeda untuk menggunakan inferensi Bayesian, tujuh skenario berbeda di mana inferensi Bayesian berguna:

1. Analisis keputusan. Anda dapat memasukkan ketidakpastian posterior ke dalam analisis keputusan dan menghitung kegunaan yang diharapkan dari berbagai pilihan keputusan. Ini adalah Pengambilan Keputusan OG Bayesian, dan kami memiliki beberapa contohnya di BDA3 Bab 9. Faktanya, formulasi ini dapat menangani ketidakpastian probabilitas yang muncul dalam utilitas serta masalah pengambilan keputusan.

2. Meluasnya ketidakpastian. Anda dapat menggunakan simulasi posterior untuk menangkap ketidakpastian fungsi parametrik, data potensial, dan data prediksi. Sebagai contoh sederhana, misalkan Anda cocok dengan kesalahan garis y = a + bx +, dan Anda ingin menyimpulkan perpotongan x, yang merupakan nilai x di mana E(y|x) = 0. Ini hanyalah solusi persamaan 0 = a + bx, yaitu x = -a/b. Intinya adalah jika Anda menyesuaikan regresi dan mendapatkan simulasi posterior (a, b), Anda bisa langsung memperoleh ketidakpastian -a/b, yang merupakan masalah yang menantang secara analitis, terutama ketika model menjadi lebih kompleks. Saya sebenarnya tidak menyarankan Anda melihat rasio seperti ini; Saya hanya memberikan contoh sederhana di sini.

3. Informasi sebelumnya. Oke, ini harusnya jelas! Untuk contoh sederhana, lihat Bagian 9.4 Pengembalian dan Cerita Lainnya. Atau makalah ini oleh Zwet. Intinya adalah bahwa dalam banyak permasalahan di dunia nyata, prior sama kuatnya dengan, atau bahkan lebih kuat dari, data, dan akan lebih baik jika kita memiliki metode yang dapat mengatasi permasalahan tersebut.

4. Regularisasi. Buat model besar dengan data yang jarang dan estimasi parameter Anda akan menimbulkan gangguan. Menggunakan prior informatif untuk inferensi Bayesian adalah metode “regularisasi”, yaitu memperoleh estimasi yang lebih stabil. Berbeda dengan item 3 di atas, prior yang digunakan untuk regularisasi tidak perlu mewakili pengetahuan subjek; ini disiapkan hanya untuk menghasilkan perkiraan yang diatur dengan sifat statistik yang baik. Regularisasi sebelumnya masih berupa “informasi” dalam arti matematis, namun berasal dari tempat yang berbeda dan dapat dipetakan ke dunia luar dengan cara yang berbeda.

5. Gabungkan berbagai sumber informasi. Coba pikirkan tentang pemodelan multi-level. Ini adalah contoh dari farmakologi di mana kami menggunakan batasan lunak (yaitu prior yang informatif) untuk menggabungkan data dari dua uji coba obat yang berbeda. Atau regresi bertingkat dan pasca-stratifikasi, yang meskipun kami hanya menggunakan data dari satu survei, kami menyimpulkan di beberapa negara bagian, yang dapat Anda anggap sebagai penggabungan respons survei dari berbagai negara bagian. Selain itu, Anda menggabungkan informasi dari survei dan sensus.

6. Data dan parameter potensial. Jika model penuh dengan parameter (bahkan mungkin lebih banyak daripada data), Anda tidak dapat memperkirakan semuanya. Sebaliknya, kita dapat memperlakukan parameter tersebut sebagai “data laten” dan menyediakan model probabilistik gabungan kepada parameter tersebut, yang kemudian dapat kita perkirakan menggunakan inferensi Bayesian. Contohnya termasuk preferensi berkelanjutan yang mendasari data pilihan, konsentrasi internal yang tidak teramati dalam model farmakologi, dan keadaan peralihan dalam berbagai model proses.

7. Biarkan Anda melangkah lebih jauh. Banyak dari gagasan di atas berkisar pada inferensi Bayesian, yang berguna untuk model yang terlalu besar atau kompleks untuk diestimasi menggunakan kemungkinan maksimum atau metode estimasi titik tradisional lainnya. Dalam praktiknya, ini berarti bahwa inferensi Bayesian tidak hanya memungkinkan Anda menyesuaikan model yang mungkin sulit kami sesuaikan; Hal ini juga memungkinkan kita untuk memperluas batas-batas kita. Sekarang kami dapat menyesuaikan model yang lebih kompleks, kemungkinan besar kami akan melakukannya. Misalnya, kita akan memodelkan kesalahan pengukuran variabel laten, padahal sebelumnya kita hanya mengabaikan kesalahan tersebut atau menerapkan beberapa koreksi analitis.

Oleh karena itu, saya menyadari bahwa inferensi Bayesian mungkin memerlukan upaya, dan manfaat spesifik apa pun dari inferensi Bayesian dapat dicapai dengan menggunakan metode lain: cukup gunakan regularisasi untuk memperkirakan parameter, perlakukan kuantitas yang tidak pasti sebagai data laten, dan gunakan simulasi prediktif gabungan untuk merangkum ketidakpastian. Tidak ada alasan untuk menyebutnya “Bayesian”, terkadang tidak apa-apa, bahkan berguna, menggunakan spesifikasi yang terputus-putus untuk bagian masalah yang berbeda. Inferensi Bayesian diterapkan pada masalah yang saya pelajari, melalui alat yang saya pelajari dan kembangkan untuk membangun, mencocokkan, memeriksa, membandingkan, memperluas, memvisualisasikan, dan menggunakan model. Alat lain berfungsi untuk orang lain di lingkungan lain.

Tujuan artikel ini adalah untuk mengilustrasikan beberapa motivasi berbeda untuk inferensi Bayesian. Sangat mudah untuk memilih hanya satu atau dua (misalnya, informasi dan regularisasi sebelumnya, atau analisis keputusan dan penyebaran ketidakpastian) tanpa memahami gambaran besarnya. Jadi saya pikir akan sangat membantu jika semua hal berbeda ini ada di satu tempat.

ekonomi kreatif, ilmu ekonomi adalah, pelaku ekonomi
, kegiatan ekonomi adalah, sistem ekonomi

#Alasan #Menggunakan #Inferensi #Bayesian