登录
注册
原创博客
(current)
算法案例
(current)
技术进展
(current)
论文笔记
期刊会议
期刊列表
会议列表
期刊查询
核心期刊
南大核心(CSSCI)
中科院JCR期刊分区
AJG(ABS)星级期刊
合工大小核心
合工大大核心
数据推荐
工具推荐
网址导航
Unanimity and compromise among probability forecasters
小木
Management science
1990-07
817
2017/02/06 09:57:33
这篇文章是之前那篇Management science中提到的用贝叶斯方法做观点融合的文章,文章有点老,引用也不高,先将就着看看吧。 作者首先提了一个管理的问题,比如一个决策者收到了两份预测结果,当两份预测结果一致的时候,决策者是否应该把这个预测概率当作他对某件事情判断的后验概率?当两份预测不一致的时候,他又该如何操作?作者认为对于同一个话题,将两个不同的概率联合起来是一个非常值得研究的问题(是啊,等了这么多年终于在最近几年的预测市场和众智的出现下,这个问题火了)。 #### 联合概率模型 在贝叶斯模型中,条件独立假设是非常普遍的假设。但是,使用条件独立的假设也有很多方法。首先,第一种情况是假设在给定事件下,不同个体的预测是相互独立的。第二种是在一个未知参数条件下,预测者的数据集是独立于该参数的一个参数模型。第三种是假设预测者的数据集以及据此的预测结果**不是相互独立**的。作者假设,某个事件A,只有发生1,和不发生0两种情况。有k个预测来源,其中,第i个来源的预测A发生的概率为$p_i$。在某种条件下,第i个预测来源的预测概率可以被当作是随机变量。决策者的先验概率是$p_0$,因此,其后验概率为$p^\*=P(A|p_0,p_1,...,p_k)$。 ##### 给定事件A下的条件独立 贝叶斯理论的对数比形式为: ```math \frac{p^*}{(1-p^*)}=\frac{p_0}{1-p_0}\prod_{i=1}^{k}\frac{P(p_i|A,p_0,p_1,...,p_{i-1})}{P(p_i|\bar{A},p_0,p_1,...,p_{i-1})} ``` 假设预测来源相互独立,那么有 ```math \frac{P(p_i|A,p_0,p_1,...,p_{i-1})}{P(p_i|\bar{A},p_0,p_1,...,p_{i-1})} = \frac{P(p_i|A)}{P(p_i|\bar{A})} ``` 所以第一个公式变成了: ```math \frac{p^*}{(1-p^*)}=\frac{p_0}{1-p_0}\prod_{i=1}^{k}\frac{P(p_i|A)}{P(p_i|\bar{A})} ``` 上式就可以当作是决策者的决策概率。比如说有两个来源,分别预测事件发生的概率为0.55,0.55,决策的事件发生的先验是0.5,那么决策者最后的预测概率就是0.6了。Genest和Schervish两人使用了一个类似的聚合公式来提供决策者的决策概率: ```math p^*=\frac{p_0^{1-k}\prod_{i=1}^{k}\pi_i}{p_0^{1-k}\prod_{i=1}^k\pi_i+(1-p_0)^{(1-k)}\prod_{i=1}^{k}(1-\pi_i)} ``` 在这里,$\pi_i=p_0+\lambda_i(p_i-u_i)$,其中$u_i$是决策者对pi的边际期望。$\lambda_i$是决策者对线性回归系数的主观评价。
赏
支付宝扫码打赏
如果文章对您有帮助,欢迎打赏鼓励作者
Back to Top