Die Beta-Brah-Verteilung ist eine relativ obskure, aber leistungsstarke Erweiterung der Beta-Verteilung, die für Bayes-Modellierung entwickelt wurde, bei der Flexibilität in der vorherigen Spezifikation von entscheidender Bedeutung ist. Während die Standard-Beta-Verteilung als konjugierte Vorstufe für Binomial- und Bernoulli-Wahrscheinlichkeiten weit verbreitet ist, ist ihre Form auf unimodale oder grenznahe Formen beschränkt, die von zwei Parametern gesteuert werden. Die Beta-Brah-Verteilung führt einen dritten Parameter ein, der Schiefe und Kurtosis unabhängig voneinander anpasst, was sie besonders wertvoll macht, wenn Vorinformationen asymmetrisch, spärlich oder von Experten abgeleitet sind. In diesem Artikel untersuchen wir die mathematische Grundlage der Beta-Brah-Verteilung, ihre Rolle bei der Bayes-Aktualisierung, praktische Anwendungen und wie sie mit der Beta-Verteilung verglichen werden.

Was ist die Beta-Bra-Verteilung?

Die Beta-Bra-Verteilung ist eine kontinuierliche Wahrscheinlichkeitsverteilung, die auf dem Intervall definiert ist. [0, 1]Es verallgemeinert die Beta-Verteilung durch Hinzufügen eines dritten Parameters, der oft als λ Der Name „Beta-bra wird manchmal verwendet, um ihn von der Standard-Beta zu unterscheiden, obwohl er in der Bayes-Literatur unter verschiedenen Namen erscheint, darunter die Beta-Verteilung mit drei Parametern oder Exponentiierte Beta-Verteilung.

Formal ist die Wahrscheinlichkeitsdichtefunktion (PDF) der Beta-Bra-Verteilung:

f(x | α, β, λ) = C(α, β, λ) · xα − 1 · (1 - x)β − 1 · e-λ x

wobei:

  • α > 0 und β > 0 sind Formparameter (analog zu denen in der Beta-Verteilung)
  • λ ≥ 0 ist ein zusätzlicher Schiefeparameter (für λ = 0 reduziert sich die Verteilung auf den Standard Beta)
  • C(α, β, λ) ist die Normierungskonstante, die sicherstellt, dass die Dichte auf 1 über [0,1] integriert wird.

Die Normierungskonstante hat keinen geschlossenen Formausdruck in Elementarfunktionen, sie wird typischerweise über die unvollständige Gammafunktion ausgedrückt oder numerisch berechnet, was ein Kompromiss für die zusätzliche Flexibilität der Verteilung darstellt.

Parameter und Flexibilität

Die beiden Formparameter α und β verhalten sich ähnlich wie die der Beta-Verteilung: Sie steuern den Mittelwert und die Konzentration der Wahrscheinlichkeitsmasse. E[X] ≈ α / (α + β) für kleine λ, aber wenn λ wächst, verschiebt sich der Mittelwert nach links, weil der Exponentialterm e-λx Der Parameter λ ermöglicht effektiv die Verteilung auf Modelldaten oder Priore, die rechtsverzerrte oder linksverschieft Wenn man die Beta-Verteilung nicht erreicht, dann wird die Verteilung bei festem α und β durch Erhöhung von λ konzentrierter nahe Null, was einen scharfen Peak an der linken Grenze erzeugt. Dies ist nützlich, wenn vorheriger Glaube niedrige Wahrscheinlichkeiten stark begünstigt, selbst wenn man die vorherige Stichprobengröße berücksichtigt.

Da die Beta-Brah-Verteilung drei Parameter hat, kann sie eine größere Vielfalt von Formen erfassen als die Beta-Zweiparameter. Die Standard-Beta kann nur symmetrische, links-, rechts- oder einheitliche Formen modellieren, abhängig von α und β, aber sie kann die Lage des Peaks und die Schwere des Schwanzes nicht unabhängig voneinander steuern. Der Beta-Brah entkoppelt diese Aspekte: α und β setzen den Hauptteil der Verteilung, während λ Feinabstimmung des Schwanzverhaltens nahe Null (oder, mit einer Reparametrisierung, nahe Eins).

Mathematische Formulierung

Lassen Sie uns die PDF-Datei, die kumulative Verteilungsfunktion (CDF) und die wichtigsten Momente der Beta-BH-Verteilung detailliert beschreiben.

Wahrscheinlichkeitsdichtefunktion

Wie oben erwähnt, ist das PDF:

f(x) = C(α, β, λ) · xα−1 (1-x)β−1 e-λx0 ≤ x ≤ 1.

Die Normierungskonstante kann mit Hilfe der konflurierende hypergeometrische Funktion 1F1:

C(α, β, λ) = [B(α, β) · 1F1(α; α+β; -λ)-1

B(α, β) = Γ(α)Γ(β)/Γ(α+β) ist die Beta-Funktion. Diese Darstellung ist nützlich für numerische Berechnungen und theoretische Analysen. In der Praxis behandeln viele Bayes-Softwarepakete (wie Stan oder PyMC) diese Verteilung über numerische Integration oder als benutzerdefinierte Verteilung.

Kumulative Verteilungsfunktion

Die CDF wird gegeben von:

F(x) = C(α, β, λ) · ∫0x tα−1 (1-t)β−1 e-λt dt.

Closed-form-Ausdrücke existieren in Bezug auf die unvollständige Beta-Funktion und hypergeometrische Funktionen, aber sie werden selten direkt verwendet, sondern Analysten verlassen sich auf numerische Quadratur oder Sampling.

Momente

Das r-te Rohmoment ist:

E[X]r] = [B(α+r, β) · 1F1(α+r; α+β+r; -λ) ) / [B(α, β) · 1F1(α; α+β; -λ).

Der Mittelwert (r = 1) vereinfacht sich zu:

E[X] = [α / (α+β) ] · [ 1F1(α+1; α+β+1; -λ) / 1F1(α; α+β; -λ).

Wenn λ = 0 ist, wird das hypergeometrische Verhältnis zu 1, und wir gewinnen den Beta-Mittelwert α / (α + β).

Verhältnis zu anderen Verteilungen

Die Beta-Bra-Distribution ist Teil einer breiteren Familie von ExponentialverteilungenSie kann als Verteilung einer Zufallsvariablen X abgeleitet werden, wobei X = Y/(Y+Z) mit Y ~ Gamma(α, 1) und Z ~ Gamma(β, e)-λNicht genau; der Standard Beta entsteht aus Gamma-Verhältnissen, aber der Beta-BH führt einen exponentiellen Kippfaktor ein. Exponentiell abgeschnitten Nahe Null: Sind α und β beide groß, ähnelt die Verteilung einer Normalverteilung, die auf [0,1] abgeschnitten ist.

Aufgrund seiner Flexibilität wird die Beta-Brah-Verteilung manchmal als die drei Parameter Beta, obwohl dieser Begriff auch für die Beta-Distribution mit einem Orts- oder Skalierungsparameter verwendet wird, der über [0,1] hinausgeht (z. B. der Vier-Parameter-Beta).

Rolle im Bayesian Update

Die Beta-Brah-Verteilung ist für Bayes-Inferenz konzipiert, bei der die Wahrscheinlichkeit auf Binär- oder Zähldaten wie Bernoulli- oder Binomialprozessen basiert. asymmetrisch oder Schwerschwänze Nahe der Grenzen.

Konjugieren Sie Prior für Binomial Likelihood?

Die Beta-Verteilung ist konjugiert mit der Binomialwahrscheinlichkeit: a Beta prior ergibt eine Beta-Posteriorverteilung. nicht konjugiert im engeren Sinne - der hintere nach der Beobachtung von Binomialdaten bleibt nicht in der Beta-BH-Familie, weil der exponentielle Begriff e-λx interagiert mit der Wahrscheinlichkeit xk Faktor, der zu einem hinteren der Form proportional zu x führtα+k−1 (1-x)β+n-k-1 e-λx, was in der Tat ein Beta-BH mit aktualisierten Parametern ist: α' = α + k, β' = β + n - k und λ unverändert. Warten Sie, das ist genau die gleiche parametrische Familie! ist konjugiert Die Gleichungen zeigen, dass die Gleichungen für die Berechnung der Binomialwahrscheinlichkeit für den Parameter λ festgelegt sind. Der hintere Parameter hat die gleiche funktionale Form, wobei nur die ersten beiden Parameter aktualisiert werden. Aber Vorsicht: Die Normalisierungskonstante C(α, β, λ) ändert sich, weil sich α und β ändern, also ist der hintere ein Beta-BH mit aktualisierten Formparametern. Dies ist eine nützliche konjugierte Eigenschaft, die oft übersehen wird.

Die Beta-BH-Familie wird unter binomialer Aktualisierung geschlossen, wenn λ bekannt angenommen wird.

Posterior Update Gleichungen

Bei vorherigem Beta-bra(α, β, λ) und Beobachten von k Erfolgen in n Versuchen ist der hintere Beta-bra(α + k, β + n - k, λ) genau analog zum Beta-Update (α + k, β + n - k). Der Schiefeparameter λ bleibt unverändert, da er nur im Exponentialterm auftritt und nicht mit dem binomialen Wahrscheinlichkeitsfaktor (1-x) interagiert.n-kDiese Eigenschaft macht Bayesian-Updates einfach und rechnerisch effizient.

Wenn λ selbst als unbekannt behandelt wird, könnte man einen Hyperprior darauf setzen, und das resultierende Modell wäre nicht mehr konjugiert, aber in vielen praktischen Einstellungen wird λ aufgrund vorheriger Auslösung ausgewählt und dann für die Analyse festgelegt.

Vorherige Spezifikation

Wie wählen wir α, β und λ? Betrachten wir eine Situation, in der Experten glauben, dass die Erfolgswahrscheinlichkeit wahrscheinlich sehr gering ist (z. B. seltene Defekte), aber unsicher sind, wie niedrig sie genau ist. Ein Beta-Vorher mit α=1, β=99 ergibt einen Mittelwert von 0,01, ist aber sehr konzentriert um den Mittelwert. Mit Beta-Bra können wir α=1, β=99 und ein moderates λ setzen, um mehr Wahrscheinlichkeitsmasse nahe Null zu ermöglichen, was eine größere Unsicherheit widerspiegelt. Alternativ, wenn die vorherige Annahme ist, dass die Wahrscheinlichkeit klein ist, aber viel kleiner sein könnte, als das Beta vorschlägt, wird die Erhöhung von λ die Masse nach links verschieben, während der gleiche Mittelwert beibehalten wird (indem β entsprechend angepasst wird).

Anträge

Obwohl nicht so häufig wie die Beta-Verteilung, hat die Beta-BH-Verteilung in mehreren angewandten Bereichen Verwendung gefunden:

  • ZuverlässigkeitsmanagementModellierung von Fehlerwahrscheinlichkeiten seltener Ereignisse, bei denen Vorinformationen sehr geringe Fehlerraten betonen.
  • Bayessches maschinelles Lernen: Als Vorbedingung für den Parameter eines Bernoulli oder einer binomialen Wahrscheinlichkeit in Variationsschluss, wobei Flexibilität hilft, komplexe Posteriore zu approximieren.
  • FinanzausstattungModellierung von Ausfallwahrscheinlichkeiten für risikoarme Kreditportfolios, bei denen Verluste nahe Null stark asymmetrisch sind.
  • Räumliche StatistikenAls Vorbedingung für die räumliche Prävalenz (z. B. Krankheitskartierung), wenn Regionen sehr geringe Zählungen haben und die Kreditaufnahmestärke über Gebiete hinweg eine flexible Verteilung erfordert.
  • Meta-AnalyseWenn Studien mit kleinen Stichprobengrößen kombiniert werden, kann der Beta-BH die Heterogenität zwischen den Studien erfassen, die die Beta-Verteilung nicht erfassen kann.

Beispiel: Aktualisieren mit Sparse-Daten

Angenommen, Sie analysieren eine seltene Krankheitsinzidenz in einer kleinen Population. Sie glauben vorher, dass die wahre Inzidenzrate bei etwa 0,1% liegt (1 zu 1000), aber Sie sind sich über die Schwänze ziemlich unsicher. Ein Beta-Vorhersage mit α=1, β=999 ergibt einen Mittelwert von 0,001, aber eine Varianz ≈ 1 × 10-6, die zu schmal ist. Sie wollen eine Verteilung, die einen ähnlichen Mittelwert, aber breitere Ausbreitung und einen schwereren linken Schwanz hat (mehr Masse nahe Null). Wählen Sie einen Beta-Brah-Vorher mit α=2, β=1998 und λ=5.

Der Mittelwert ist ungefähr 2/(2000) ≈ 0,001 (vor der exponentiellen Anpassung), und der zusätzliche λ-Begriff verschiebt die Dichte nach links, wodurch die Standardabweichung erhöht wird. Nachdem 1 Erfolg in 500 Versuchen (k=1, n=500) wird der posteriore Beta-Brah(3, 2498, 5), was einen posterioren Mittelwert ergibt, der etwas niedriger ist als der vorherige Mittelwert - was den Einfluss der Daten und die Schiefe des Priors widerspiegelt.

Vorteile und Einschränkungen

Vorteile

  • Mehr Flexibilität: Unabhängige Kontrolle der Kernelform im Vergleich zum Schwanzverhalten.
  • Konjugiert für BinomialdatenEinfache Aktualisierungsregeln, wenn λ festgelegt ist.
  • Griffe mit geringer KörpergrößeBesser erfasst Unsicherheit, wenn Daten wenige sind oder Nullen üblich sind.
  • Auslegungsmöglichkeit: Die Parameter α und β behalten die intuitive Interpretation früherer Erfolge und Misserfolge (skaliert), während λ die Form verfeinert.

Beschränkungen

  • RechenkomplexitätDie Normalisierungskonstante beinhaltet spezielle Funktionen, die für groß angelegte MCMC langsam berechnet werden können.
  • Weniger bekanntBegrenzte Software-Unterstützung und Dokumentation im Vergleich zur Beta-Distribution.
  • Interpretation von λ: Die Wahl von λ erfordert eine sorgfältige Auslösung; es ist weniger intuitiv als α und β.
  • Keine StandardverteilungViele Praktizierende sind mit ihren Eigenschaften nicht vertraut, was zu einem möglichen Missbrauch führt.

Schlussfolgerung

Die Beta-Brah-Verteilung ist eine wertvolle Ergänzung des Bayes-Statistiker-Toolkits. Sie erweitert die Beta-Verteilung um einen Skewness-Parameter, der eine größere Flexibilität bei der Modellierung früherer Überzeugungen bietet, insbesondere wenn Daten spärlich sind oder das Ereignis von Interesse selten ist. Ihre konjugierte Eigenschaft für binomiale Wahrscheinlichkeiten vereinfacht nachträgliche Aktualisierungen, was sie für sequentielle Analysen praktisch macht. Während rechnerische Herausforderungen und begrenzte Vertrautheit ihre Annahme behindern können, bietet die Beta-Brah-Verteilung einzigartige Vorteile in Bezug auf Zuverlässigkeit, Finanzen und maschinelles Lernen, wo Standard-Beta-Modelle zu restriktiv sind. Weitere Informationen finden Sie in der Originalliteratur über Beta-Verteilung, Beta-Binom-Modelle, und Exponentialverteilungen für einen tieferen theoretischen Hintergrund.