三、先验分布的确定
- 主观概率(离散型)
- 利用对立事件的比较确定主观概率,例如成功的概率比失败高一倍
- 利用专家意见确定主观概率
- 利用多位专家确定主观概率
- 利用历史资料,考虑现有信息加以修正
- 利用先验信息确定先验分布(连续型):
- 直方图法:
- 将参数空间分成小区间
- 在每个小区间上决定主观概率或依据历史数据确定其频率
- 绘制频率直方图
- 在直方图上做一条光滑曲线,即为先验分布
- 选定先验密度函数形式再估计超参数
- 根据先验信息选定的先验密度函数形式
- 对分布中的超参数给出估计值,使最接近先验信息
- 定分度法与变分度法
- 定分度法:长度一样,概率不同的小区间,给出每个小区间的主观概率
- 变分度法:概率一样,长度不同的小区间,给区间进行划分
- 利用边缘分布确定先验密度,就是极大似然法
- 边缘分布m(x)
- 传统用
- 贝叶斯用边缘分布
- 当先验分布有未知数的时候,例如,那么被积分之后m(x)变为与相关的函数,可记为
- 我们所需要做的就是求使达到最大的,也就是最大似然估计(最大似然二型估计)
- 混合分布:
- 变量x依概率在总体中取值,以在总体中取值,若分别是两个总体的分布函数,则x的分布函数为两个分布函数的加权相加:
- F(x)可以看做的混合分布
- 和看做一个新的随机变量的分布
- 从中抽取一个x,相当于进行两次抽样
- 从中抽取一个样本
- 根据判定是从哪个总体中抽取样本x
- 混合样本:从混合分布中抽取出来的样本,大约有个来自总体1,其余的来自总体2
- 先验选择的ML-II(极大似然估计方法)
- 设为所考虑的先验类,且是来自中某一分布的样本,若存在满足
其中称为II型极大似然先验,或简称为ML-II先验 - 这里将m(x)看成似然函数,找一个使达到最大,也是一种最大化似然函数的方法
- 先验选择的矩方法
- 样本均值=总体均值
- 样本方差=总体方差
- 先计算总体的分布的期望和方差
- 即
- 先验选择的矩方法
- 有大数定理
- 矩估计:已知统计结果或取样结果估算总体均值和总体方差
- 无信息先验分布
- 贝叶斯假设:无信息先验分布应该取取值范围内的均匀分布
- 广义先验密度:当的取值范围是无穷的时候,无法给出一个均匀分布,所以设置的先验分布为
- 由此决定的后验密度是正常的密度函数
- 设密度参数中有两个参数,且密度函数具有如下形式:
其中f(x)是完全确定的函数,它对应于时的密度,称为未知参数,称为尺度参数,这类分布族称为位置-尺度参数族,如正态分布、指数分布、均匀分布等
当时称为位置参数族,时称为尺度参数族 - 位置参数的无信息先验:
位置参数族的先验分布可用贝叶斯假设为无信息先验分布。 - 尺度参数的无信息先验:
设总体X的密度函数具有形式:
则参数的无信息先验分布为