[論文レビュー] Overcoming priors anxiety

G. D’Agostini|ArXiv.org|Jun 24, 1999

Bayesian Modeling and Causal Inference参考文献 15被引用数 4

ひとこと要約

本稿は、ベイズ推論における事前分布の選択という課題に、主観的解釈を提唱することで対処している。主観的信念が科学的実践において本質的で、正当化可能であると主張する。日常的および先端的測定の両方において、主観的事前分布の実用的使用を推奨し、参照事前分布を教条的であると批判し、その適用に制限があると指摘する。実用的な指針を提示する。

ABSTRACT

The choice of priors may become an insoluble problem if priors and Bayes' rule are not seen and accepted in the framework of subjectivism. Therefore, the meaning and the role of subjectivity in science is considered and defended from the pragmatic point of view of an ``experienced scientist''. The case for the use of subjective priors is then supported and some recommendations for routine and frontier measurement applications are given. The issue of reference priors is also considered from the practical point of view and in the general context of ``Bayesian dogmatism''.

研究の動機と目的

• ベイズ統計における事前分布選択に伴う不安を、主観的枠組み内での事前分布の再定義によって解消すること。
• 実務経験豊富な研究者視点から、科学的推論における主観的事前分布の正当性と有用性を擁護すること。
• 日常的および先端的測定応用における主観的事前分布の使用に関する実用的助言を提供すること。
• 参照事前分布が「ベイズ的教条主義」の一種であるとみなされ、広範な適用性に疑問を呈すること。
• 科学的判断と実証的証拠を尊重する、文脈に配慮した一貫性のある事前分布指定のアプローチを促進すること。

提案手法

• 事前分布が客観的頻度ではなく、個人の信念度を表す主観的ベイズ枠組みを採用すること。
• 事前分布の選択が本質的に主観的であり、その主観性が欠陥ではなく、科学的推論に不可欠であると主張すること。
• 測定科学からの実際の例を用いて、主観的事前分布がいかに合理的に正当化され、適用可能であるかを説明すること。
• 参照事前分布と主観的事前分布を対比し、現実世界の文脈において前者の限界と潜在的な落とし穴を強調すること。
• 異なる実験的および理論的状況において、事前分布指定の整合性と一貫性を強調すること。
• 科学的知識、利用可能なデータ、推論の目的に基づいた事前分布の選択ガイドラインを提示すること。

実験結果

リサーチクエスチョン

• RQ1 科学者がベイズ分析における主観的事前分布の選択に伴う不安をどのように克服できるか？
• RQ2 主観性は科学的推論において果たす役割は何か？なぜ実用的科学的文脈において正当化可能なのか？
• RQ3 参照事前分布はなぜ「ベイズ的教条主義」の一種とみなされ、なぜ問題となる可能性があるのか？
• RQ4 主観的事前分布は、日常的および先端的測定問題において、どのように体系的かつ合理的に適用できるか？
• RQ5 客観的事前分布が不実用的な現実世界の科学的応用において、事前分布の選択を導くべき基準は何か？

主な発見

• 主観的事前分布は弱みではなく、科学的実践におけるベイズ推論において不可欠で、正当化可能な要素である。
• 本稿は、主観主義の誤解が事前分布への不安の原因であり、それを合理的な枠組みとして受容することで克服可能であると主張する。
• 参照事前分布は、文脈や科学的判断を無視して適用された場合、あまりに硬直的で、誤解を招く可能性があると批判される。
• 整合性、科学的洞察、利用可能な証拠との一貫性を重視した、事前分布選択の実用的ガイドラインが提示される。
• 本稿は、注意深く使用された主観的事前分布は、教条的な参照事前分布よりも信頼性が高く、解釈可能な推論をもたらすと結論づける。
• フレームワークは、専門家知識と実験的制約を反映する事前分布の使用を支援し、現実世界の応用におけるベイズ推論の頑健性を高める。