基于鞅后验的贝叶斯分位数估计与回归:一种无需似然函数的非参数方法

《Journal of the Royal Statistical Society Series B: Statistical Methodology》:Bayesian quantile estimation and regression with martingale posteriors

【字体: 大 中 小 】 时间:2025年12月17日 来源:Journal of the Royal Statistical Society Series B: Statistical Methodology 3.6

编辑推荐:

  本文针对贝叶斯分位数估计中似然函数和先验分布难以设定的挑战,提出了一种基于鞅后验框架的新型非参数方法——分位数鞅后验(QMP)。该方法通过递归估计平滑分位数函数并利用递增重排技术,实现了无需MCMC的高效后验计算,同时保证了后验分布的绝对连续性。理论分析表明QMP具有良好的渐近性质,在线性分位数回归中的扩展进一步展示了其灵活性和实用性。

  
在统计学和计量经济学领域,分位数估计和回归是分析数据分布特征的重要工具。传统贝叶斯方法在处理分位数问题时面临根本性挑战:如何为分位数参数设定合适的似然函数和先验分布?虽然不对称拉普拉斯分布常被用作"工作似然函数",但这种设定可能存在误设风险,且非参数先验的构建尤为复杂。此外,马尔可夫链蒙特卡洛(MCMC)算法的计算成本高昂,分位数交叉问题也一直困扰着研究者。
针对这些挑战,Edwin Fong和Andrew Yiu在《Journal of the Royal Statistical Society Series B: Statistical Methodology》上发表的研究提出了一种创新解决方案——分位数鞅后验(Quantile Martingale Posterior,QMP)。该方法完全跳脱了传统贝叶斯框架的束缚,不再依赖似然函数-先验的设定,而是基于Fong等人最近提出的鞅后验(Martingale Posterior,MP)框架,将后验采样转化为预测插补过程。
研究团队开发的核心方法包括:(1)基于随机近似的递归分位数估计算法,通过高斯copula平滑技术确保估计的连续性;(2)预测重采样机制,通过模拟均匀分布变量生成未来观测值;(3)递增重排技术,自动解决分位数交叉问题;(4)高斯过程近似方法,加速后验采样。研究使用了模拟数据和真实热带气旋数据集进行验证,样本量分别为n=50、500和2097。

递归分位数估计器

研究人员基于随机近似理论设计了递归更新规则,将分位数估计问题转化为随机优化问题。关键创新在于使用高斯copula函数Hρ(u,v)作为连续松弛,替代传统的指示函数。更新公式为QN+1(u) = QN(u) + αN+1[u - HρN+1(u, PN(YN+1))],其中αN满足标准随机近似条件。这种方法不仅保证了估计的连续性,还通过预测重采样过程中的均匀分布变量实现了高效计算。

分位数鞅后验框架

QMP的核心思想是将分位数函数估计视为生成预测采样器。在预测重采样过程中,通过QN生成YN+1,然后更新分位数估计,循环进行直至收敛。这种方法天然地解决了分位数交叉问题,因为重采样过程自动进行了递增重排。与传统MP相比,QMP不再要求条件同分布(c.i.d.)条件,大大扩展了贝叶斯非参数推理的模型范围。

理论性质分析

研究团队在L2((0,1))和Sobolev空间H1((0,1))中建立了QMP的收敛理论。结果表明
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号