[论文解读] Bayes Factors for Peri-Null Hypotheses

Alexander Ly, Eric‐Jan Wagenmakers|arXiv (Cornell University)|Feb 14, 2021

Statistical Methods and Inference被引用 4

一句话总结

本文研究了周零假设（peri-null hypotheses）——即以点零假设值为中心的窄小先验——作为贝叶斯假设检验中尖锐点零假设的实用替代方案。研究表明，尽管在中等样本量下，周零贝叶斯因子与点零贝叶斯因子几乎完全相同，但在大样本下其行为变得不一致，收敛于一个由最大似然估计处先验密度比值决定的极限，从而在备择假设下削弱了其可靠性。

ABSTRACT

A perennial objection against Bayes factor point-null hypothesis tests is that the point-null hypothesis is known to be false from the outset. We examine the consequences of approximating the sharp point-null hypothesis by a hazy `peri-null' hypothesis instantiated as a narrow prior distribution centered on the point of interest. The peri-null Bayes factor then equals the point-null Bayes factor multiplied by a correction term which is itself a Bayes factor. For moderate sample sizes, the correction term is relatively inconsequential; however, for large sample sizes the correction term becomes influential and causes the peri-null Bayes factor to be inconsistent and approach a limit that depends on the ratio of prior ordinates evaluated at the maximum likelihood estimate. We characterize the asymptotic behavior of the peri-null Bayes factor and briefly discuss suggestions on how to construct peri-null Bayes factor hypothesis tests that are also consistent.

研究动机与目标

• 为回应点零假设在实践中总是错误这一常见批评，用周零假设替代点零假设。
• 研究当零假设被一个以点零值为中心的窄小先验分布近似时，贝叶斯因子的渐近行为。
• 评估周零贝叶斯因子是否保持一致性——即随着样本量增加，是否能正确地倾向于真实假设——在原假设与备择假设下均成立。
• 提出并分析替代的周零先验构造方式，以在大样本设置下恢复一致性。
• 阐明先验宽度选择对假设检验中贝叶斯因子渐近行为的影响。

提出的方法

• 本文将周零假设建模为以点零值为中心的窄小先验分布，具体采用方差较小的正态分布 κ₀²。
• 推导周零贝叶斯因子为标准点零贝叶斯因子与一个校正项的乘积，该校正项本身是周零先验与点零先验之间的贝叶斯因子比较。
• 证明该校正项依赖于在最大似然估计处评估的先验密度比值，该比值在大样本下变得具有影响力。
• 利用拉普拉斯近似推导周零贝叶斯因子的渐近抽样分布，揭示其收敛于一个依赖于先验密度比值的极限。
• 分析三种替代构造方式：固定宽度周零假设、周点混合模型和收缩周零假设（其中 κ₀ 随 n 减小）。
• 通过考察当 n → ∞ 时贝叶斯因子在原假设下是否趋于无穷大、在备择假设下是否趋于零，来评估理论一致性。

实验结果

研究问题

• RQ1 用以零值为中心的窄小先验（即周零假设）替代点零假设，是否能在大样本中保持贝叶斯因子的一致性？
• RQ2 周零贝叶斯因子的渐近行为与标准点零贝叶斯因子有何不同？
• RQ3 先验宽度（κ₀）在决定周零贝叶斯因子极限值方面起什么作用？
• RQ4 能否通过替代的周零构造方式——如收缩宽度或混合先验——恢复贝叶斯因子的一致性？
• RQ5 在大样本中，由最大似然估计处先验密度比值导出的校正因子在多大程度上主导了周零贝叶斯因子的行为？

主要发现

• 在中等样本量下，周零贝叶斯因子与点零贝叶斯因子几乎完全相同，因此该近似在实践中基本无问题。
• 在大样本量下，周零贝叶斯因子变得不一致，收敛于一个有限极限，而非在原假设下发散或在备择假设下趋于零。
• 周零贝叶斯因子的极限值由最大似然估计处的先验密度比值决定，该比值与数据无关，仅取决于先验宽度和模型参数。
• 周点混合模型仅在原假设下实现一致性，而在备择假设下不成立，因此不满足标准的一致性要求。
• 收缩周零假设（如 κ₀ = cσ/√n）可恢复一致性，但引入了不一致，因为先验依赖于预期样本量，违反了似然原理。
• 本文结论认为，周零方法在渐近行为方面相较于点零假设并无明显优势，且可能因在备择假设下证据有界而导致误导性结论。