[论文解读] Elicitation of Weibull priors

Nicolás Bousquet|arXiv (Cornell University)|Jul 27, 2010

Statistical Distribution Estimation and Applications参考文献 24被引用 5

一句话总结

本文提出了一种新颖的方法，通过将专家提供的寿命值视为大小为 $m$ 的虚拟样本，从而实现对信息丰富的威布尔先验的提取，使先验信息的强度能够直观校准。该方法确保了完全的可解析性，并为分析人员提供了透明且可辩护的框架，以在小样本或右删失数据的可靠性与风险评估场景中平衡专家意见与观测数据。

ABSTRACT

Based on expert opinions, informative prior elicitation for the common Weibull lifetime distribution usually presents some difficulties since it requires to elicit a two-dimensional joint prior. We consider here a reliability framework where the available expert information states directly in terms of prior predictive values (lifetimes) and not parameter values, which are less intuitive. The novelty of our procedure is to weigh the expert information by the size m of a virtual sample yielding a similar information, the prior being seen as a reference posterior. Thus, the prior calibration by the Bayesian analyst, who has to moderate the subjective information with respect to the data information, is made simple. A main result is the full tractability of the prior under mild conditions, despite the conjugation issues encountered with the Weibull distribution. Besides, m is a practical focus point for discussion between analysts and experts, and a helpful parameter for leading sensitivity studies and reducing the potential imbalance in posterior selection between Bayesian Weibull models, which can be due to favoring arbitrarily a prior. The calibration of m is discussed and a real example is treated along the paper.

研究动机与目标

• 为解决威布尔分布的二维联合先验难以被非专家理解的问题，因为尺度参数与形状参数具有抽象性。
• 提供一种可辩护、透明且实用的先验提取方法，使决策者能够比较专家信息与数据信息的相对权重。
• 确保所得到的先验在分析上完全可解析，且适用于敏感性分析，尽管威布尔分布缺乏共轭先验。
• 通过引入 $m$ 作为专家与分析人员讨论的焦点，减少后验选择中的潜在偏差。
• 通过基于直观的寿命预测而非抽象的参数值来构建先验，支持实际可靠性应用，尤其在数据有限或存在删失的情况下。

提出的方法

• 该方法将专家提供的先验预测值（例如寿命分布的分位数）视为来自大小为 $m$ 的虚拟样本，从而将主观意见转化为参考后验分布。
• 先验定义为基于此虚拟数据的后验分布，在温和正则条件下确保完全的解析可解性。
• 虚拟样本大小 $m$ 作为先验不确定性的直接度量，使非统计学专家能够直观讨论先验信息与数据信息的相对强度。
• 通过匹配先验预测分布与专家提供的分位数来校准超参数，采用数值优化或基于共轭狄利克雷分布的方法以保证一致性。
• 对于多位专家，通过将有序分位数建模为狄利克雷分布的增量来聚合意见，$m$ 通过最小化期望不一致风险进行校准。
• 该方法避免依赖主观的参数评估，转而聚焦于直观的寿命数值，从而在监管和工业环境中提升可辩护性。

实验结果

研究问题

• RQ1 如何以一种对非统计学家直观且可辩护的方式，从专家处获取关于威布尔寿命分布的意见？
• RQ2 在贝叶斯威布尔模型中，是否存在一种实用且透明的方法，用于量化专家意见相对于观测数据的信息量？
• RQ3 尽管威布尔分布缺乏共轭先验，是否可以构建一个完全可解析的先验？
• RQ4 如何利用虚拟样本大小 $m$ 来平衡专家意见与数据，以减少任意的先验选择？
• RQ5 专家的不确定性和潜在偏差对先验提取的影响是什么？如何对其进行建模与缓解？

主要发现

• 所提出的方法通过将专家提供的寿命值视为大小为 $m$ 的虚拟样本的参考后验，为威布尔模型生成了一个完全可解析的先验分布。
• 虚拟样本大小 $m$ 提供了一个直接且可解释的先验信息度量，使分析人员与专家能够就先验信息与数据信息的相对权重进行清晰讨论。
• 该方法通过 $m $ 作为自然的平衡参数，防止了任意的先验选择，从而在模型比较中确保了公平性。
• 该方法对专家不确定性具有鲁棒性，如通过分层狄利克雷模型表示分位数的先验估计，$m$ 通过最小化期望不一致风险进行校准。
• 该方法在实践中可实现，并通过一个真实案例研究得到说明，展示了其在小样本或删失数据的工业可靠性场景中的可行性。
• 将 $m$ 校准为期望不一致风险的最小化点，提供了一种原则性但计算量较大的先验稳健性方法。