Considere a perda quadrática , com o dado previamente que . Seja
a probabilidade. Encontre o estimador de Bayes .L(θ,δ)=(θ−δ)2π(θ)π(θ)∼U(0,1/2)f(x|θ)=θxθ−1I[0,1](x),θ>0δπ
Considere a perda quadrática ponderada
que
com anterior
. Seja seja a probabilidade. Encontre o estimador de Bayes .Lw(θ,δ)=w(θ)(θ−δ)2w(θ)=I(−∞,1/2)π1(θ)=I[0,1](θ)f(x|θ)=θxθ−1I[0,1](x),θ>0δπ1
Compare eδπδπ1
Primeiro, notei que , e assumi que essa é a probabilidade, caso contrário não recebo nenhum posterior, então
portanto o estimador de Bayes em relação à perda quadrática é
f(x|θ)∼Beta(θ,1)
π(θ|x)∝f(x|θ)π(θ)=θxθ−1I[0,1]∗2I(0,1/2)(θ)∼Beta(θ,1)
E[π(θ|x)]=θθ+1
Estou procurando no livro The Bayesian Choice e há um teorema sobre o estimador de Bayes associado à perda quadrática ponderada e é dado por
δπ(x)=Eπ[w(θ)θ|x]Eπ[w(θ)|x]
Alguém pode me explicar como eu o calculo?
O que eu tentei é:
δπ(x)=∫θw(θ)f(x|θ)π(θ)dθ∫w(θ)f(x|θ)π(θ)dθ∫f(x|θ)π(θ)dθ∫w(θ)f(xθ)π(θ)dθ
Eu sei que o suporte é , mas quando tentei integrar no numerador[0,12]
∫θw(θ)f(x|θ)π(θ)dθ=∫120θθxθ−1dθ=1x∫120θ2xθdθ
Não tenho bons resultados.
Respostas:
Primeiro, observe que eu corrigi o texto original da pergunta, pois o indicador funciona em suas definições de probabilidade, pois devem ser funções de not . Portanto, a probabilidade é que se integra claramente a um:x θ
Segundo, o posterior em não é uma função Beta, pois, como indicado por Greenparker Devido à restrição nos valores de também não é uma distribuição gama, mas um truncamento da distribuição gama.θ
Portanto, o estimador Bayes é a expectativa posterior que podem parecer exigir o uso da função Gamma incompleta, mas que podem ser derivadas de forma fechada pela integração por parte: desde
Por fim, como indicado no meu livro , de fato, minimizar in equivale a minimizar em que é equivalente a minimizar em que equivale a substituir o original original por um novo que precisa ser renormalizado em uma densidade, ou seja,δ
fonte
Sua resposta para a parte da perda de erro ao quadrado está errada.
Esta é uma distribuição em , não em , e a variável aleatória no posterior é . Portanto, sua resposta está incorreta e a resposta correta seria a média posterior dessa distribuição.Beta(θ,1) x θ θ
Para a segunda parte,
(O anterior da função de perda ponderada é mas você a refere como . Estou mudando a notação de volta para .)π1 π π1
Let , onde é uma constante de normalização. Você precisa calcularπ′(θ)=cw(θ)π1(θ) c
Assim, para a função de perda ponderada de mínimos quadrados, o teorema diz que a estimativa de Bayes é a média posterior em relação a um anterior diferente. O anterior é
A constante de normalização é .∫θw(θ)π(θ)dθ=Eπ1[w(θ)]
Portanto, o anterior é . É o mesmo que você teve na primeira pergunta.π′(θ)=2I(0,1/2)(θ)
Assim, a resposta para os cenários (seja o que for) será a mesma. Você pode encontrar a integral aqui . Embora possa ser suficiente corrigir a forma da resposta e não completar a integral.
fonte