La distribution bêta-bra est une extension relativement obscure mais puissante de la distribution bêta, conçue pour la modélisation bayésienne où la flexibilité dans la spécification antérieure est critique. Bien que la distribution bêta standard soit largement utilisée comme un précédent conjugué pour les probabilités binomiales et bernoulli, sa forme est limitée aux formes unimodales ou à crêtes limites contrôlées par deux paramètres. La distribution bêta-bra introduit un troisième paramètre qui ajuste indépendamment la skewness et la kurtose, ce qui la rend particulièrement précieuse lorsque les informations préalables sont asymétriques, clairsescentes, ou dérivées d'opinions d'experts.

Quelle est la distribution bêta-bra?

La distribution bêta-bra est une distribution de probabilité continue définie sur l'intervalle [0, 1]. Il généralise la distribution bêta en ajoutant un troisième paramètre, souvent désigné comme λ (lambda), qui contrôle l'asymétrie de la forme et le poids de la queue. Le nom -Beta-bra-- est parfois utilisé pour le distinguer de la bêta standard, bien qu'il apparaît dans la littérature bayésienne spécialisée sous différents noms, y compris le distribution bêta à trois paramètres ou les distribution bêta exposée- Oui.

Formellement, la fonction de densité de probabilité (PDF) de la distribution bêta-bra est :

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

où:

  • α > 0 et β > 0 sont des paramètres de forme (analogiques à ceux de la distribution bêta)
  • λ ≥ 0 est un paramètre de skewness supplémentaire (pour λ = 0, la distribution se réduit à la bêta standard)
  • C(α, β, λ) est la constante de normalisation assurant que la densité s'intègre à 1 sur [0,1]

La constante de normalisation n'a pas d'expression de forme fermée en termes de fonctions élémentaires; elle est généralement exprimée par l'intermédiaire de la fonction gamma incomplète ou calculée numériquement. Cette complexité est un compromis pour la flexibilité supplémentaire que la distribution fournit.

Paramètres et flexibilité

Les deux paramètres de forme α et β se comportent de la même manière que ceux de la distribution bêta: ils contrôlent la moyenne et la concentration de la masse de probabilité. [X] α / (α + β) pour les petits λ, mais à mesure que λ grandit, la moyenne se déplace vers la gauche parce que le terme exponentiel e −λx pénalise les valeurs plus grandes de x. Le paramètre λ permet effectivement la distribution de modèles de données ou de précédents qui sont droit ou à gauche Par exemple, avec α fixe et β, l'augmentation de λ rend la distribution plus concentrée près de zéro, créant un pic aigu à la limite gauche. Ceci est utile lorsque la croyance préalable favorise fortement les probabilités faibles, même après avoir pris en compte la taille de l'échantillon antérieur.

La distribution bêta-bra ayant trois paramètres, elle peut capter une plus grande variété de formes que la bêta-à deux paramètres. La bêta standard ne peut modéliser que des formes symétriques, à gauche, à droite ou uniformes selon α et β, mais elle ne peut pas contrôler indépendamment l'emplacement du pic et la lourdeur de la queue. α et β ont réglé la majeure partie de la distribution, pendant λ peaufine le comportement de la queue près de zéro (ou, avec une reparamétrisation, près d'un).

Formulation mathématique

Let , détaille la fonction PDF, la fonction de distribution cumulative (CDF) et les moments clés de la distribution Beta-bra.

Fonction de densité de probabilité

Comme il est indiqué ci-dessus, le PDF est :

f(x) = C(α, β, λ) · xα−1 (1 à x)β−1 e −λx, 0 ≤ x ≤ 1.

La constante de normalisation peut être exprimée en utilisant la fonction hypergéométrique confluente 1F1- Oui.

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

où B(α, β) = ι(α)ι(β)/ι(α+β) est la fonction Beta. Cette représentation est utile pour le calcul numérique et l'analyse théorique. Dans la pratique, de nombreux logiciels bayesiens (comme Stan ou PyMC) gèrent cette distribution par intégration numérique ou comme une distribution définie par l'utilisateur.

Fonction de distribution cumulée

Le CDF est donné par:

F(x) = C(α, β, λ) · φ0x tα−1 (à 1 à 1 t)β−1 e −λt Dt- Oui.

Les expressions en forme fermée existent en termes de fonction bêta incomplète et de fonctions hypergéométriques, mais elles sont rarement utilisées directement.

Moments

Le moment r-th brut est:

[Xr] = [ B(α+r, β) · 1F1(α+r; α+β+r; −λ) ]/ [ B(α, β) · 1F1(α; α+β; −λ)]- Oui.

La moyenne (r=1) simplifie :

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

Lorsque λ=0, le rapport hypergéométrique devient 1, et nous récupérons la moyenne bêta α/(α+β).

Relation avec d'autres distributions

La distribution bêta-bra fait partie d'une famille plus large de distributions exposées. Il peut être dérivé comme la distribution d'une variable aléatoire X où X = Y/(Y+Z) avec Y ~ Gamma(α, 1) et Z ~ Gamma(β, e −λ)? Pas exactement; la bêta standard se trouve à partir des rapports Gamma, mais la bêta-bra introduit un facteur d'inclinaison exponentielle. exponentielle tronquée si α et β sont tous deux grands, la distribution ressemble à une distribution normale tronquée à [0,1].

En raison de sa flexibilité, la distribution bêta-bra est parfois appelée la bêta à trois paramètres, bien que ce terme soit également utilisé pour la distribution bêta avec un paramètre de localisation ou d'échelle au-delà de [0,1] (par exemple, le bêta à quatre paramètres).

Rôle dans la mise à jour bayésienne

La distribution bêta-bra est conçue pour l'inférence bayésienne où la probabilité est basée sur des données binaires ou de comptage, comme les processus bernoulli ou binomial. Son avantage principal sur la distribution bêta est la capacité d'encoder des informations antérieures plus nuancées, surtout lorsque le précédent est asymétrique ou à queue lourde près des frontières.

Conjuguant le Prévôt pour la Probabilité Binomiale ?

La distribution bêta est conjuguée à la probabilité binomiale: un Beta précédent donne un Beta postérieur. La distribution bêta-bra est non conjugués au sens strict — le postior après avoir observé les données binomiales ne reste pas dans la famille Beta-bra parce que le terme exponentiel e −λx interagit avec la probabilité xk facteur, conduisant à un postérieur de la forme proportionnelle à xα+k−1 (1 à x)β+n−k−1 e −λx, qui est en effet un bêta-bra avec des paramètres mis à jour: α' = α + k, β' = β + n - k, et λ inchangé. Attendez—c'est exactement la même famille paramétrique! est conjugué Pour la probabilité binomiale si l'on considère le paramètre exponentiel λ fixé. L'aférieur a la même forme fonctionnelle avec seulement les deux premiers paramètres mis à jour. Mais prudent: la constante de normalisation C(α, β, λ) change parce que α et β changent, de sorte que l'aférieur est un Beta-bra avec des paramètres de forme mis à jour.

C'est une propriété conjuguée utile souvent négligée. La famille Beta-bra est fermée sous mise à jour binomiale quand λ est supposé connu.

Équations de mise à jour postérieures

Compte tenu des succès antérieurs de Beta-bra(α, β, λ) et d'observation de k dans n essais, l'arrière est Beta-bra(α + k, β + n - k, λ). Ceci est exactement analogue à la mise à jour Beta (α + k, β + n - k). Le paramètre de skewness λ reste inchangé car il n'apparaît qu'à terme exponentiel et n'interagit pas avec le facteur de probabilité binomiale (1−x)N-k. Cette propriété rend la mise à jour bayésienne simple et efficace par calcul.

Si λ lui-même est traité comme inconnu, on pourrait y placer un hyperprécédant, et le modèle résultant ne serait plus conjugué. Cependant, dans de nombreux contextes pratiques, λ est choisi en fonction de l'exhortation préalable et ensuite fixé pour l'analyse.

Spécification antérieure

Comment choisir α, β et λ? Considérez une situation où les experts en la matière croient que la probabilité de réussite est probablement très faible (p. ex., des défauts rares) mais sont incertains quant à la façon dont exactement la valeur est faible. Un bêta antérieur à α=1, β=99 donne une moyenne de 0,01 mais est très concentré autour de la moyenne. Avec le bêta-bra, nous pouvons définir α=1, β=99 et un λ modéré pour permettre une masse de probabilité plus proche de zéro, reflétant une incertitude plus grande.

Demandes

Bien que la distribution bêta ne soit pas aussi fréquente que celle de la bêta, la distribution bêta-bra a été utilisée dans plusieurs domaines appliqués :

  • Ingénierie de fiabilité: Modéliser les probabilités de défaillance d'événements rares où les informations antérieures mettent l'accent sur des taux de défaillance très faibles.
  • Apprentissage automatique bayésien: Comme un précédent pour le paramètre d'une probabilité bernoulli ou binomiale dans l'inférence variationnelle, où la flexibilité aide approximativement les postérieurs complexes.
  • Financement: Modélisation des probabilités de défaut pour les portefeuilles de crédit à faible risque, où les pertes proches de zéro sont fortement asymétriques.
  • Statistiques spatiales: Comme un précédent pour la prévalence spatiale (par exemple, la cartographie des maladies) lorsque les régions ont des comptes très faibles et la force d'emprunt entre les zones nécessite une distribution souple.
  • Méta-analyse: Lorsque l'on combine des études avec de petites tailles d'échantillons, le bêta-bra peut capter l'hétérogénéité entre les études que la distribution bêta ne peut pas.

Exemple : Mise à jour avec les données sparse

Supposons que vous analysiez une incidence de maladie rare dans une petite population. Vous avez une croyance antérieure que le taux d'incidence réel est d'environ 0,1% (1 sur 1000), mais vous êtes assez incertain sur les queues. Un Beta précédent avec α=1, β=999 donne la moyenne 0,001 mais variance - −6, qui est trop étroit. Vous voulez une distribution qui a une moyenne similaire mais plus large et une queue gauche plus lourde (plus de masse près de zéro). Choisissez un Beta-bra précédent avec α=2, β=1998, et λ=5.

La moyenne est environ 2/(2000) γ 0,001 (avant l'ajustement exponentiel), et le terme supplémentaire λ déplace la densité vers la gauche, augmentant l'écart-type. Après avoir observé 1 succès dans 500 essais (k=1, n=500), le postérieur devient Beta-bra(3, 2498, 5), ce qui donne une moyenne postérieure légèrement inférieure à la moyenne précédente – reflétant l'influence des données et de l'étroitesse antérieure.

Avantages et limites

Avantages

  • Plus de flexibilité: Contrôle indépendant de la forme du noyau par rapport au comportement de la queue.
  • Conjuguant pour les données binomiales: Des règles de mise à jour simples quand λ est fixé.
  • Poignées par sparsité: Mieux saisir l'incertitude lorsque les données sont rares ou nulles.
  • Interprétation: Les paramètres α et β conservent l'interprétation intuitive des succès et des échecs antérieurs (échelle), tandis que λ raffine la forme.

Limites

  • Complexité informatique: La constante de normalisation implique des fonctions spéciales, qui peuvent être lentes à calculer pour les MCMC à grande échelle.
  • Moins connu: Support et documentation logiciels limités par rapport à la distribution Beta.
  • Interprétation de λ: Le choix λ nécessite une stimulation attentive ; il est moins intuitif que α et β.
  • Pas une distribution standard: De nombreux praticiens ne connaissent pas ses propriétés, ce qui peut entraîner une mauvaise utilisation.

Conclusion

La distribution Beta-bra est un ajout précieux à la boîte à outils du statisticien bayésien. Elle étend la distribution Beta en ajoutant un paramètre de skewness qui offre une plus grande flexibilité dans la modélisation des croyances antérieures, surtout lorsque les données sont rares ou l'événement d'intérêt est rare. Sa propriété conjuguée pour les probabilités binomiales simplifie les mises à jour postérieures, ce qui rend pratique pour l'analyse séquentielle. Distribution bêta, Modèles bêta-binomiauxet distributions exposées pour un contexte théorique plus profond.