Pertimbangkan kerugian kuadratik , dengan diberikan sebelumnya mana . Misalkan kemungkinan. Temukan estimator Bayes .
Pertimbangkan kehilangan kuadratik tertimbang mana dengan prior . Biarkan menjadi kemungkinannya. Temukan estimator Bayes .
Bandingkan dan
Pertama saya perhatikan bahwa , dan saya berasumsi bahwa itu adalah kemungkinannya, kalau tidak saya tidak mendapatkan posterior, maka sehingga estimator Bayes sehubungan dengan kerugian kuadratik adalah
Saya mencari di buku The Bayesian Choice dan ada teorema tentang estimator Bayes yang terkait dengan kerugian kuadratik tertimbang dan diberikan oleh
Bisakah seseorang menjelaskan kepada saya bagaimana saya menghitungnya?
Apa yang saya coba adalah:
Saya tahu bahwa dukungannya adalah , tetapi ketika saya mencoba mengintegrasikannya dalam pembilang
Saya tidak mendapatkan hasil yang baik.
Jawaban:
Pertama, perhatikan bahwa saya mengoreksi kata-kata asli dari pertanyaan dengan fungsi indikator dalam definisi kemungkinan Anda karena mereka harus fungsi bukan . Karena itu kemungkinannya adalah yang jelas berintegrasi menjadi satu:x θ
Kedua, posterior di bukan fungsi Beta karena seperti yang ditunjukkan oleh Greenparker Karena kendala pada nilai-nilai itu bukan distribusi Gamma juga, tetapi pemotongan dari distribusi Gamma.θ
Karenanya estimator Bayes adalah ekspektasi posterior yang tampaknya membutuhkan penggunaan fungsi Gamma yang tidak lengkap tetapi yang dapat diturunkan dalam bentuk tertutup dengan integrasi oleh bagian: since
Terakhir, seperti yang ditunjukkan dalam buku saya , memang, meminimalkan dalam sama dengan meminimalkan dalam yang itu sendiri sama dengan meminimalkan dalam yang berarti mengganti prior asli dengan sebelumnya yang baru yang perlu dinormalisasi menjadi kepadatan, yaitu,δ
sumber
Jawaban Anda untuk bagian kehilangan kesalahan kuadrat salah.
Ini adalah distribusi dalam , bukan dalam , dan variabel acak di posterior adalah . Jadi jawaban Anda salah, dan jawaban yang benar akan menjadi posterior mean dari distribusi itu.Beta(θ,1) x θ θ
Untuk bagian kedua,
(Sebelum untuk fungsi penurunan tertimbang adalah tetapi Anda menyebutnya sebagai . Saya mengalihkan notasi kembali ke .)π1 π π1
Biarkan , di mana adalah konstanta normalisasi. Anda harus menghitungπ′(θ)=cw(θ)π1(θ) c
Jadi, untuk fungsi kerugian kuadrat terkecil tertimbang, teorema mengatakan bahwa estimasi Bayes adalah rata-rata posterior sehubungan dengan sebelumnya yang berbeda. Yang sebelumnya adalah
Konstanta normalisasi adalah .∫θw(θ)π(θ)dθ=Eπ1[w(θ)]
Jadi yang sebelumnya adalah . Ini sama dengan yang Anda miliki pada pertanyaan pertama.π′(θ)=2I(0,1/2)(θ)
Dengan demikian jawaban untuk skenario (apa pun itu) akan sama. Anda dapat menemukan integral di sini . Meskipun, itu mungkin cukup untuk memperbaiki bentuk jawaban, dan tidak menyelesaikan integral.
sumber