[論文レビュー] Judicious Judgment Meets Unsettling Updating: Dilation, Sure Loss, and Simpson's Paradox

Ruobin Gong, Xiao‐Li Meng|arXiv (Cornell University)|Dec 24, 2017

Bayesian Modeling and Causal Inference参考文献 32被引用数 5

ひとこと要約

本稿は、曖昧確率モデルにおける信念の更新にベイズ的でないルールを用いる際の、不安定な現象—拡大、確実な損失、収縮—を調査する。これらの直感に反する行動は、更新ルールとモデルの曖昧性との間にある矛盾に起因しており、低解像度の不確実性を扱う際の熟練した判断の重要性を強調する。

ABSTRACT

Statistical learning using imprecise probabilities is gaining more attention because it presents an alternative strategy for reducing irreplicable findings by freeing the user from the task of making up unwarranted high-resolution assumptions. However, model updating as a mathematical operation is inherently exact, hence updating imprecise models requires the user's judgment in choosing among competing updating rules. These rules often lead to incompatible inferences, and can exhibit unsettling phenomena like dilation, contraction and sure loss, which cannot occur with the Bayes rule and precise probabilities. We revisit a number of famous "paradoxes", including the three prisoners/Monty Hall problem, revealing that a logical fallacy arises from a set of marginally plausible yet jointly incommensurable assumptions when updating the underlying imprecise model. We establish an equivalence between Simpson's paradox and an implicit adoption of a pair of aggregation rules that induce sure loss. We also explore behavioral discrepancies between the generalized Bayes rule, Dempster's rule and the Geometric rule as alternative posterior updating rules for Choquet capacities of order 2. We show that both the generalized Bayes rule and Geometric rule are incapable of updating without prior information regardless of how strong the information in our data is, and that Dempster's rule and the Geometric rule can mathematically contradict each other with respect to dilation and contraction. Our findings show that unsettling updates reflect a collision between the rules' assumptions and the inexactness allowed by the model itself, highlighting the invaluable role of judicious judgment in handling low-resolution information, and the care we must take when applying learning rules to update imprecise probabilities.

研究の動機と目的

• 曖昧確率モデルにおける拡大や確実な損失といった不快な更新行動を分析すること。
• 正確な確率が得られない状況において、競合する更新ルールの選択における判断の役割を検討すること。
• モンティ・ホール問題や三人の囚人問題といった古典的パラドックスにおける、同時に満たせない仮定の論理的不整合を明確にすること。
• シンプソンのパラドックスと、確実な損失を引き起こす集約ルールとの間の形式的同等性を確立すること。
• 一般化ベイズ、デムプスターの、および幾何学的ルールが、2次コーシュー容量を更新する際の行動的差異を比較すること。

提案手法

• 上位確率と下位確率を用いて、曖昧確率フレームワーク内にモンティ・ホール問題、三人の囚人問題、治療効果の古典的パラドックスを再解釈する。
• 一般化ベイズルール、デムプスターのルール、幾何学的ルールという3つの異なる更新ルールを、2次コーシュー容量に適用する。
• 拡大と確実な損失の形式的定義を用いて、更新ルールが事後区間に与える影響を分析する。
• 事前仮定が個別には妥当でも、同時に不整合な場合に、拡大や収縮が生じることを示す。
• シンプソンのパラドックスと、確実な損失を引き起こす集約ルールの使用との間の同等性を確立する。
• ルール間の行動的差異を分析し、デムプスターのルールと幾何学的ルールが、拡大・収縮の結果において互いに矛盾することを示す。

実験結果

リサーチクエスチョン

• RQ1 なぜ曖昧確率モデルでは、正確なベイズ更新では見られない拡大や確実な損失が生じるのか？
• RQ2 一般化ベイズ、デムプスターの、幾何学的ルールといった、対立する更新ルールが、事前の情報が欠如している状況で、互いに矛盾する推論を引き起こすのはなぜか？
• RQ3 シンプソンのパラドックスと、確実な損失を引き起こす集約ルールの数学的構造との関係は何か？
• RQ4 三人の囚人問題のようなパラドックスにおいて、同時に妥当ではあるが、互換性のない仮定が、更新後に論理的誤謬を引き起こすのはどのような場合か？
• RQ5 高解像度の確率がルールごとに異なる場合でも、低解像度の行動（例：交換するかしないか）を曖昧さなく推奨することは可能か？

主な発見

• 拡大とは、事後区間が事前よりも広がる現象であり、これはモデル内の不整合な仮定に起因する。
• 確実な損失は、シンプソンのパラドックスにおける集約ルールと形式的に関連しており、矛盾する証拠の流れが、特定の更新ルールのもとで確実な損失をもたらす。
• 一般化ベイズルールと幾何学的ルールは、データの強さに関わらず、事前の情報がなければ更新できないことが示され、その適用における根本的な制限を示している。
• デムプスターのルールと幾何学的ルールは、拡大や収縮の結果において、互いに矛盾する結果を生じさせることから、曖昧モデルにおけるルール依存の不整合性を示している。
• 事後区間に差異があっても、三人の囚人問題／モンティ・ホール問題における「交換する」という行動自体は、3つのルールすべてにおいて常に有益である。これは、行動空間が低解像度であるためである。
• 本稿は、不快な更新はデータの欠陥ではなく、更新ルールの仮定とモデルの本質的曖昧性との間の矛盾の反映であると確立した。