Inférence bayésienne

Aperçu général

L'inférence bayésienne représente une incertitude quant aux paramètres ou aux hypothèses avec distributions de probabilités. Une distribution antérieure est combinée à une probabilité décrivant comment les données pourraient apparaître dans un modèle. Le théorème de Bayes produit une distribution postérieure qui quantifie l'incertitude restante après conditionnement des observations.

Fondations techniques

Le théorème de Bayes indique que la densité postérieure est proportionnelle aux temps de probabilité avant la densité, la probabilité marginale assurant une normalisation. Dans les modèles hiérarchiques, les distributions au niveau de la population regroupent partiellement l'information entre les groupes et régularisent les estimations bruyantes. Les distributions prédictives postérieures intègrent l'incertitude des paramètres lors de la prévision de nouvelles données. L'identifiabilité dépend de la question de savoir si des valeurs de paramètres distinctes génèrent des observations distinguables; un postérieur concentré peut encore être trompeur si le modèle exclut les mécanismes plausibles. Les antécédents peuvent encoder les mesures antérieures, les contraintes physiques ou une régularisation faible et doivent être examinés par simulation prédictive préalable avant que les données ne soient ajustées.

Comment ça marche

Les analystes précisent un modèle génératif, en tirent ou en calculent la probabilité et le combinent avec des informations antérieures. Les attentes postérieures, les intervalles crédibles et les distributions prédictives sont ensuite évalués analytiquement ou avec des algorithmes numériques tels que la chaîne Markov Monte Carlo, l'inférence séquentielle Monte Carlo ou la variation. La vérification du modèle compare les prédictions simulées à la structure observée.

Méthodes de mesure et de recherche

Les postiers en forme fermée se produisent dans les modèles conjugués, mais les applications modernes utilisent le calcul. La chaîne Markov Monte Carlo construit des dessins dépendants qui convergent vers l'arrière; le diagnostic comprend la taille efficace de l'échantillon, les statistiques de convergence de la chaîne fractionnée et les contrôles pour les trajectoires divergentes. L'inférence variable optimise une famille approchante et peut bien s'étendre tout en sous-représentant l'incertitude. Monte Carlo séquentiel évolue les particules pondérées à travers une série de distributions. L'évaluation du modèle utilise des vérifications post-prédictives, l'étalonnage, la structure résiduelle et la notation hors échantillon. Les analyses de sensibilité varient selon les antécédents, les probabilités et les exclusions de données pour exposer les conclusions en fonction des hypothèses fragiles.

Idées clés

• Un a posteriori est subordonné au modèle supposé, à la qualité des données et au préalable, et non à une déclaration de vérité sans modèle.
• Des intervalles crédibles et des intervalles de confiance fréquents répondent à différentes questions de probabilité.
• Les performances prédictives et l'étalonnage doivent être évalués sur la base d'observations non utilisées pour adapter les modèles flexibles.

Frontière actuelle de la recherche

La recherche active améliore l'inférence pour les variables latentes à haute dimension, les modèles basés sur la simulation avec des probabilités intractables et des expériences d'adaptation. La programmation probabiliste automatise la différenciation et l'échantillonnage, mais ne peut déterminer si un modèle scientifique est significatif. La théorie bayésienne de la décision combine l'incertitude postérieure à l'incertitude avec des services publics ou des pertes explicites, rendant les jugements de valeur inspectables. Les applications causales exigent des hypothèses sur les interventions et des confusions au-delà de la mise à jour des probabilités. Des méthodes robustes modélisent des aberrations et une mauvaise spécification de distribution, tandis que des workflows sûrs enregistrent tous les choix d'analyse. Le défi central n'est pas seulement d'établir un modèle postérieur, mais de le construire, de le critiquer et de le réviser, ce qui permet de prévoir les caractéristiques pertinentes de la réalité.

Pourquoi ça compte

Les méthodes bayésiennes intègrent des données hétérogènes, propagent l'incertitude par des systèmes complexes et appuient les décisions séquentielles. Ils sont largement utilisés en astronomie, en épidémiologie, en génie, en apprentissage automatique et en science expérimentale.

Limites et questions ouvertes

Les résultats peuvent être sensibles à des paramètres faiblement identifiés ou à des antécédents peu plausibles. Les algorithmes approximatifs peuvent converger vers la mauvaise distribution, et la comparaison de nombreux modèles sur les mêmes données peut masquer les effets de sélection à moins que le flux complet ne soit signalé.