Inferência Bayesiana

Visão geral

A inferência bayesiana representa incerteza sobre parâmetros ou hipóteses com distribuições de probabilidade. Uma distribuição prévia é combinada com uma probabilidade de descrever como os dados surgiriam sob um modelo. O teorema de Bayes produz uma distribuição posterior que quantifica a incerteza restante após o condicionamento das observações.

Fundações técnicas

O teorema de Bayes afirma que a densidade posterior é proporcional à probabilidade vezes anterior, com uma chance marginal proporcionando normalização. Em modelos hierárquicos, as distribuições populacionais agrupam parcialmente informações entre grupos e regularizam estimativas ruidosas. As distribuições preditivas posteriores integram incerteza de parâmetros ao prever novos dados. A identificação depende de se valores distintos dos parâmetros geram observações distinguíveis; um posterior concentrado ainda pode ser enganador, caso o modelo exclua mecanismos plausiveis. Os priores podem codificar medições anteriores, restrições físicas ou uma regularização fraca e devem ser examinados através de simulação prévia antes da instalação dos dados.

Como funciona

Os analistas especificam um modelo generativo, deriva ou calcula sua probabilidade e combinam-no com informações prévia. As expectativas posteriores, os intervalos credíveis e as distribuições preditivas são então avaliados analiticamente ou com algoritmos numérico como a cadeia de Markov Monte Carlo; seqüencial monte Carlos. A verificação do modelo compara as previsões simuladas com a estrutura observada.

Métodos de medição e pesquisa

Os posteriores de forma fechada ocorrem em modelos conjugados, mas aplicações modernas usam computação. A cadeia de Markov Monte Carlo constrói desenhos dependentes que convergem para o posterior; os diagnósticos incluem tamanho efetivo da amostra, estatísticas sobre convergências em correntes dividida e verificações das trajetória. A inferência variacional otimiza uma família aproximada e pode escalar bem enquanto sub-representa a incerteza. Sequencial Monte Carlo evolui com partículas ponderadas através de uma série das distribuições. A avaliação do modelo utiliza verificações previsionais posteriores, calibração e estrutura residual. As análises de sensibilidade variam antecedentes, probabilidades e exclusões dos dados para expor conclusões dependentes das premissas frágeis.

Ideias-chave

• Um posterior é condicionado ao modelo assumido, qualidade de dados e anterior não uma declaração livre do model.
• Intervalos credíveis e intervalos de confiança frequentista respondem a diferentes questões probabilísticas.
• O desempenho e a calibração preditivas devem ser avaliados em observações não utilizadas para ajustar modelos flexíveis.

Fronteira actual da investigação

Pesquisa ativa melhora a inferência de variáveis latentes em alta dimensão, modelos baseados na simulação com probabilidades intratáveis e experimentos adaptativos. A programação probabilística automatiza a diferenciação e amostragem, mas não pode determinar se um modelo científico é significativo. A teoria da decisão bayesiana combina incerteza posterior com utilidade ou perdas explícita, tornando inspeccionáveis os julgamento de valor. As aplicações causais requerem suposições sobre intervenções e confundimento além da atualização de probabilidade. Métodos robustos modelam outlier e distribucional misspecification, enquanto fluxos de trabalho seguros registram todas as escolhas da análise. O desafio central não é apenas a computação de um posterior, mas construir e criticar o modelo que prevê características relevantes da realidade.

Por que importa

Os métodos bayesianos integram evidências heterogênea, propagam incerteza através de sistemas complexos e suportando decisões sequenciais. São amplamente utilizados em astronomia, epidemiologia e engenharia.

Limites e questões em aberto

Os resultados podem ser sensíveis a parâmetros pouco identificados ou antecedentes implausíveis. Algoritmos aproximados podem convergir para a distribuição errada, e comparar muitos modelos nos mesmos dados pode ocultar efeitos de seleção sem que o fluxo completo seja relatado.