《贝叶斯估计方法学习感想及看法.doc》由会员分享，可在线阅读，更多相关《贝叶斯估计方法学习感想及看法.doc（3页珍藏版）》请在三一文库上搜索。
1、关于贝叶斯估计方法学习感想及看法经过半学期的课程学习，终于在参数估计这部分内容的学习上有了个终结。参数估计方面的学习主要分了经典学派的理论和贝叶斯学派的理论。在参数估计上经典学派运用的是矩法和极大似然估计，贝叶斯学派用的当然就是Bayes估计。经典学派的学习在本科学习比较多，而Bayes方法对我来说算是个新知识，在此只对Bayes统计方法做个小结，然而由于知识有限性，只能粗略地从讲义中 对Bayes估计总结点观点出来。贝叶斯统计中除了运用经典学派的总体信息和样本信息外，还用到了先验信息，其中的两个基本概念是先验分布和后验分布。1, 先验分布，总体分布参数9的一个概率分布。贝叶斯学派的根本观点，
2、 是认为在关于总体分布参数总体分布参数 9的任何统计推断问题中，除了使用样 本所提供的信息外，还必须规定一个先验分布，它是在进行统计推断时不可缺少 的一个要素。他们认为先验分布不必有客观的依据， 可以部分地或完全地基于主 观信念。2, 后验分布。根据样本分布和未知参数的先验分布，可以用概率论中求条 件概率分布的方法，求出的在样本已知下，未知参数的条件分布。因为这个分布 是在抽样以后才得到的，故称为后验分布。贝叶斯推断方法的关键是任何推断都 必须且只须根据后验分布，而不能再涉及本分布。可以看出Bayes统计模型的特 点是将参数9视为随机变量，并具有先验分布 H( 9 )。Bayes统计学派与经典
3、学 派的分歧主要是在关于参数的认识上的分歧，经典学派视经典学派视 9为未知 常数；而Bayes学派视9为随机变量且具有先验分布为随机变量且具有先验分 布。两个学派分歧的根源在于对于概率的理解。 经典学派视概率为事件大量重复 实验频率的稳定值；而Bayes学派赞成主观概率，将事件的概率理解为认识主体 对事件发生的相信程度。个人认为将9视为随机变量且具有先验分布具有实际意 义，这也算Bayes学派在二百年时间不断发展的一个前提。然后用数学计算的观点来看看Bayes估计：一切估计的目的是要对未知参数 二作统计推断。在没有样本信息时，我们只 能依据先验分布对 乍出推断。在有了样本观察值X=(X!，Xn
4、)之后，我们应依 据h(X,"对珂乍出推断。若把h(X门)作如下分解：h(xe)=eix)m(x)其中m(X)是X的边际概率函数：m(X)二 gh(X门)d 一 p(X |巧二(巧十，它与二无关，或者说 m(X)中不含二的任何信息因此能用来对 二作出推断的仅是条件分布二("X)，它的计算公式是：二(二 |X)=h(XJ)/m(X)。贝叶斯统计学关键是首先要想方设法先去寻求9的先验分布h ( 9 )，先验分布的确定方法有客观法，主观概率法，同等无知原则，共轭分布方法，Jefreys原则，最大熵原则等。通过比较和大量成功的案例发现采用 B分布族作为先验分布族时候往往很实用, 而
5、且在数学处理方面处理很方便： 1,a0,b兀(日)=(a o 1 (1-日10<9r (ar (b)5其次，根据先验信息在先验分布族中选一个分布作为先验分布， 使它与先验信息 符合较好。利用0的先验信息去确定B分布中的两个参数a与b。假如的信息较 为丰富，譬如对此产品经常进行抽样检查， 每次都对废品率作出一个估计，把这 些估计值看作的一些观察值，再经过整理，可用一个分布去拟合它。假如信息较 少，甚至没有先验信息时候，也可以用用区间（0，1）上的均匀分布即a=b=1, 也既是所谓的贝叶斯假设。以上就是贝叶斯估计相关的知识的理解和其中最基本的方法。谈到贝叶斯统计方法的应用除了简单的估计、推断外，应该还有贝叶斯决策问题，即把损失函 数加入贝叶斯推断中形成的。根据决策者的分析和偏好可以用不同形式的损失函 数。在贝叶斯决策论中，将损失函数视为贝叶斯统计中的第四种信息。 在老师课 上也主要提到了 MINMAX方法和可容许性两种方法，这里就不简单重复了。