obecný soubor statistických technik lze rozdělit na řadu činností, z nichž mnohé mají speciální Bayesovské verze.
Bayesovské inferenceEdit
Bayesovská statistika vztahuje na statistické inference, kde nejistota v závěry je kvantifikovat pomocí pravděpodobnosti. V klasické frekvenční inferenci jsou považovány za fixní parametry modelu a hypotézy. Pravděpodobnosti nejsou přiřazeny parametrům nebo hypotézám v frekvenční inferenci., Například, to by nemělo smysl v frequentist závěr přímo přiřadit pravděpodobnost událost, která se může stát jen jednou, jako výsledek dalšího hodu spravedlivou mincí. Mělo by však smysl konstatovat, že podíl hlav se blíží polovině, jak se zvyšuje počet mincí.
Statistické modely zadat soubor statistických předpokladů a procesy, které představují, jak vzorek dat je generován. Statistické modely mají řadu parametrů, které lze upravit., Například mince může být reprezentována jako vzorky z distribuce Bernoulli, která modeluje dva možné výsledky. Distribuce Bernoulli má jediný parametr rovnající se pravděpodobnosti jednoho výsledku, což je ve většině případů pravděpodobnost přistání na hlavách. Vytvoření dobrého modelu pro data je ústředním bodem Bayesovské inference. Ve většině případů modely přibližují pouze skutečný proces a nemusí brát v úvahu určité faktory ovlivňující data. V Bayesovské inferenci lze pravděpodobnosti přiřadit parametrům modelu. Parametry mohou být reprezentovány jako náhodné proměnné., Bayesovská inference používá Bayesovu větu k aktualizaci pravděpodobností po získání nebo známosti více důkazů.
Statistické modelingEdit
formulace statistických modelů pomocí Bayesovské statistiky má identifikační funkci vyžadující specifikaci před distribucí pro jakékoli neznámé parametry. Opravdu, parametry před distribucí mohou sami před distribucí, což vede k Bayesovské hierarchické modelování, nebo mohou být vzájemně propojeny, což vede k Bayesovské sítě.,
návrh experimentůedit
bayesovský návrh experimentů zahrnuje koncept nazvaný „vliv předchozích přesvědčení“. Tento přístup používá techniky sekvenční analýzy, aby zahrnoval výsledek dřívějších experimentů do návrhu dalšího experimentu. Toho je dosaženo aktualizací „přesvědčení“ pomocí Předchozí a zadní distribuce. To umožňuje konstrukci experimentů dobře využívat zdroje všech typů. Příkladem toho je problém s více ozbrojenými bandity.,
průzkumná analýza Bayesovských modelůeditovat
průzkumná analýza Bayesovských modelů je adaptací nebo rozšířením přístupu průzkumné analýzy dat k potřebám a zvláštnostem Bayesovského modelování. Ve slovech Persi Diaconis:
průzkumná analýza dat se snaží odhalit strukturu nebo jednoduché popisy v datech. Podíváme se na čísla nebo grafy a snažíme se najít vzory., Provádíme vede navrhl, informace, představy, vzory vnímána, a zkušenosti s ostatními analýzy dat,
Na závěr procesu generuje posteriorní rozdělení, které má centrální roli v Bayesovské statistiky, spolu s další distribucí, jako posteriorní prediktivní distribuce a před prediktivní distribuce. Správná vizualizace, analýza a interpretace těchto distribucí je klíčem k správné odpovědi na otázky, které motivují proces odvození.,oblečený kromě toho, závěr sám o sobě:
- Diagnóz kvality v závěru, to je nutné při použití numerických metod jako je Markov chain Monte Carlo techniky
- Model kritiky, včetně hodnocení obou modelových předpokladech a model předpovědi
- Porovnání modelů, včetně výběru modelu nebo modelu v průměru
- Příprava výsledků pro konkrétní publikum
Všechny tyto úkoly jsou součástí Explorační analýzy Bayesovské modely přístupu a úspěšně jejich provedení je zásadní pro iterativní a interaktivní modelování procesu., Tyto úkoly vyžadují jak číselné, tak vizuální shrnutí.