Inferensi Statistik Bayesian
- Diperkenalkan oleh
- Thomas Bayes
- Tahun
- 1763
- Jenis
- Method
- Keluarga
- probabilistic-inference
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Inferensi Bayesian adalah kerangka kerja statistik yang menggunakan teorema Bayes untuk memperbarui keyakinan tentang parameter atau hipotesis seiring akumulasi data.
Diterbitkan secara anumerta pada tahun 1763, karya Thomas Bayes tidak dikenal hingga abad ke-20, ketika kemajuan komputasi (sampling Gibbs, Markov Chain Monte Carlo) membuat metode Bayesian praktis. Berbeda dengan inferensi frequentist (yang memperlakukan parameter sebagai nilai yang tidak diketahui tetap), analisis Bayesian memperlakukan parameter sebagai variabel acak dengan distribusi probabilitas, memungkinkan pernyataan probabilitas langsung tentang parameter, penggabungan pengetahuan sebelumnya, dan pembaruan sekuensial. Penting dalam pengobatan presisi, uji coba adaptif, model hierarkis yang kompleks, dan konteks apa pun di mana informasi sebelumnya memperkaya inferensi.
Intuisi di balik metode
Inferensi Bayesian menggabungkan keyakinan awal tentang parameter (sebelum mengamati data) dengan kemungkinan data yang diamati untuk menghasilkan keyakinan posterior (setelah mengamati data). Pengetahuan sebelumnya (dari studi sebelumnya, pendapat ahli, penalaran teoretis) dikodekan sebagai distribusi probabilitas. Seiring akumulasi data baru, posterior diperbarui menuju kemungkinan, secara bertahap menyempurnakan ketidakpastian. Teorema Bayes: P(parameter|data) = P(data|parameter) × P(parameter) / P(data). Posterior secara langsung menjawab pertanyaan seperti 'Berapa probabilitas efek pengobatan melebihi 10%?' (interval kredibel) atau 'Berapa probabilitas pengobatan A lebih baik dari pengobatan B?' Keduanya alami bagi praktisi tetapi tidak mungkin dalam inferensi frequentist, yang menghasilkan nilai-p dan interval kepercayaan yang memerlukan interpretasi hati-hati.
Sejarah
Makalah anumerta Thomas Bayes tahun 1763 memperkenalkan fondasi: jika parameter tidak pasti, bagaimana bukti memperbarui keyakinan? Laplace secara independen menemukan kembali teorema Bayes dan memperluasnya ke masalah probabilitas terbalik. Kerangka kerja ini tidak dikenal hingga abad ke-20; metode frequentist (Neyman, Pearson) mendominasi. Algoritma MCMC pada tahun 1990-an (sampling Gibbs, Metropolis-Hastings, Hamiltonian MC) membuat komputasi Bayesian praktis untuk model kompleks. Kebangkitan Bayesian modern didorong oleh Stan, JAGS, dan paket R; adopsi semakin cepat dalam kedokteran, pembelajaran mesin, dan kebijakan.
Kapan digunakan
Gunakan metode Bayesian ketika: (1) ada informasi sebelumnya yang relevan (studi sebelumnya, penilaian ahli, panduan peraturan), (2) diperlukan analisis sekuensial (uji coba adaptif, analisis interim), (3) model hierarkis atau variabel laten yang kompleks diperlukan (multilevel, model campuran), (4) pernyataan probabilitas langsung tentang parameter diinginkan (pengobatan presisi, penilaian risiko), (5) ukuran sampel kecil (prior penyusutan Bayesian menstabilkan estimasi). Metode Bayesian sangat berharga dalam penelitian penyakit langka, pengobatan presisi (personalisasi pengobatan), pengembangan obat (pengambilan keputusan sekuensial), dan keputusan kebijakan yang mengintegrasikan berbagai sumber bukti.
Batasan dan pertimbangan
- Spesifikasi prior: pemilihan prior bersifat subjektif; orang yang masuk akal bisa tidak setuju. Analisis sensitivitas diperlukan untuk menunjukkan kesimpulan yang kuat terhadap pilihan prior; prior yang salah spesifikasi dapat menyesatkan.
- Biaya komputasi: sampling MCMC intensif secara komputasi untuk kumpulan data besar atau model kompleks; memerlukan keahlian dalam mendiagnosis konvergensi.
- Kurangnya konsensus: praktisi Bayesian dan frequentist tidak setuju tentang interpretasi dan metodologi, menciptakan hambatan publikasi dan pendanaan di jurnal tradisional.
- Prior default seringkali sewenang-wenang: memilih prior 'informatif lemah' tampak objektif tetapi melibatkan asumsi implisit; hasil mungkin sensitif terhadap pilihan default.
- Kesulitan dengan perbandingan model: faktor Bayes memerlukan perhitungan kemungkinan marjinal; intensif secara komputasi dan sensitif terhadap spesifikasi prior dalam model kompleks.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Penggabungan prior: pengetahuan yang ada dari uji coba sebelumnya, meta-analisis, atau pendapat ahli diintegrasikan secara formal, meningkatkan efisiensi dan mengurangi ukuran sampel yang dibutuhkan.
- Pernyataan probabilitas langsung: probabilitas posterior hipotesis (P(efek ada|data)) secara langsung menjawab pertanyaan ilmiah; tidak memerlukan logika nilai-p yang tidak intuitif.
- Analisis sekuensial: data dianalisis seiring akumulasi; uji coba dapat dihentikan lebih awal karena efikasi atau kesia-siaan tanpa meningkatkan kesalahan Tipe I (tidak seperti pengujian berulang frequentist).
- Fleksibel untuk model kompleks: struktur hierarkis, data hilang, dan variabel laten secara alami diakomodasi; regresi multilevel dalam kerangka Bayesian mudah dilakukan.
- Prior penyusutan menstabilkan estimasi: sangat kuat dalam sampel kecil atau data berdimensi tinggi (banyak variabel, sedikit observasi); merregularisasi koefisien menuju nol.
Penerapan
- Uji coba klinis dan pengobatan presisi: uji coba adaptif Bayesian menyesuaikan penugasan pengobatan berdasarkan akumulasi data efikasi/keamanan; mengurangi ukuran sampel dan memberikan jawaban lebih cepat.
- Genomik dan data berdimensi tinggi: pemilihan variabel Bayesian menggunakan prior yang jarang mengidentifikasi sinyal sebenarnya di antara ribuan penanda genetik; regularisasi mencegah overfitting.
- Pengembangan obat dan persetujuan FDA: menggabungkan data historis dari uji coba sebelumnya melalui prior, mengurangi persyaratan ukuran sampel dan mempercepat persetujuan.
- Surveilans epidemiologi: analisis sekuensial wabah penyakit; memperbarui probabilitas wabah seiring pelaporan kasus baru; deteksi dini epidemi.
- Pemodelan lingkungan dan ekologi: model hierarkis yang memperhitungkan kesalahan pengukuran, data hilang, dan struktur spasial/temporal dalam sistem yang kompleks.
Cara kerjanya
Cara kerjanya
Lakukan analisis Bayesian dengan: (1) menentukan kemungkinan (model probabilitas untuk data berdasarkan parameter, mis., model normal untuk hasil kontinu, binomial untuk biner), (2) menentukan prior (distribusi probabilitas atas parameter, mewakili pengetahuan sebelumnya atau skeptisisme), (3) mengumpulkan data, (4) menghitung posterior (distribusi probabilitas parameter berdasarkan data, melalui teorema Bayes). Prior dapat berupa: informatif lemah (pengaruh prior minimal, membiarkan data mendominasi), informatif (menggabungkan pengetahuan sebelumnya yang asli dari studi sebelumnya), skeptis (mendukung hipotesis nol, memerlukan bukti kuat untuk menggeser keyakinan), atau empiris (menggunakan data pilot). Justifikasi prior sangat penting; laporkan analisis sensitivitas yang menguji prior alternatif untuk menilai ketahanan.
Hitung posterior melalui teorema Bayes: P(θ|y) ∝ P(y|θ) × P(θ), di mana θ adalah parameter dan y adalah data. Untuk model sederhana, posterior dapat dihitung secara analitis (mis., kemungkinan normal dengan prior normal konjugat). Untuk model kompleks, gunakan Markov Chain Monte Carlo (MCMC): algoritma (sampling Gibbs, Metropolis-Hastings, Hamiltonian MC) menghasilkan sampel posterior, dari mana estimasi dihitung. Laporkan: (1) Rata-rata posterior dan interval kredibel (95% CI: rentang yang berisi 95% probabilitas posterior; dapat diinterpretasikan langsung sebagai ketidakpastian parameter), (2) Probabilitas posterior hipotesis (P(efek > 0 | data)), (3) Faktor Bayes membandingkan model yang bersaing: BF₁₀ = P(data|model1) / P(data|model2); BF > 3 bukti sedang untuk model 1, BF > 10 bukti kuat. (4) Distribusi prediktif posterior: prediksi untuk observasi baru. (5) Diagnostik model: pemeriksaan konvergensi MCMC (statistik Gelman-Rubin Rhat < 1,01), ukuran sampel efektif, plot jejak.
Rata-rata posterior adalah estimasi titik parameter; interval kredibel adalah rentang nilai yang masuk akal. Berbeda dengan interval kepercayaan frequentist (yang mengatakan: jika kita mengulang studi tanpa batas, 95% CI akan berisi nilai sebenarnya), interval kredibel Bayesian secara langsung menyatakan: probabilitas 95% nilai sebenarnya terletak dalam interval ini. Interpretasi intuitif ini adalah keuntungan utama. Probabilitas posterior hipotesis (mis., P(efek > 0|data)) secara langsung menjawab apakah pengobatan berhasil; nilai-p memerlukan logika yang tidak intuitif. Faktor Bayes mengukur bukti untuk satu model di atas yang lain tanpa menentukan ambang batas signifikansi; memberikan skala bukti kontinu. Periksa bentuk distribusi posterior (simetris, miring) untuk memahami ketidakpastian parameter. Analisis sensitivitas: pasang ulang model dengan prior yang berbeda; jika kesimpulan posterior kuat terhadap pilihan prior, inferensi dapat diandalkan.
Kesalahan umum
- Spesifikasi prior sewenang-wenang: gagal membenarkan prior atau melakukan analisis sensitivitas. Prior harus eksplisit dan dibenarkan; selalu uji ketahanan terhadap alternatif.
- Mengabaikan diagnostik MCMC: tidak memeriksa konvergensi (Rhat, plot jejak, ukuran sampel efektif) dapat menghasilkan inferensi yang tidak valid. Selalu verifikasi rantai telah konvergen dan ukuran sampel efektif memadai.
- Pemilihan model melalui nilai-p prediktif posterior: tampak seperti nilai-p frequentist tetapi memiliki interpretasi yang berbeda; penyalahgunaan menyebabkan inflasi kesalahan Tipe I.
- Setara p-hacking dalam Bayes: memilih prior pasca-hoc untuk mencapai kesimpulan yang diinginkan (tidak disadari atau disengaja) merusak validitas. Tentukan prior sebelumnya.
- Penyusutan yang terlalu percaya diri: prior kuat sangat menyusutkan estimasi menuju rata-rata prior; dapat menyembunyikan efek sebenarnya jika prior salah spesifikasi. Gunakan prior skeptis dengan hati-hati; pastikan analisis sensitivitas.
- Kesalahpahaman faktor Bayes: BF = 3 tidak berarti probabilitas 75% satu model benar (itu memerlukan penentuan probabilitas model awal). BF mengukur bukti, bukan probabilitas model posterior.
Pertanyaan yang sering diajukan
Apa itu interval kredibel, dan bagaimana perbedaannya dengan interval kepercayaan?
Interval kredibel Bayesian (biasanya 95%) adalah rentang yang berisi 95% probabilitas posterior; dapat diinterpretasikan langsung sebagai: 'ada probabilitas 95% parameter sebenarnya terletak dalam interval ini.' Interval kepercayaan frequentist (95% CI) adalah rentang yang dibangun sedemikian rupa sehingga, jika studi diulang tanpa batas, 95% CI yang dibangun akan berisi parameter sebenarnya. Ini secara fundamental berbeda: interval kredibel adalah tentang probabilitas parameter; interval kepercayaan adalah tentang pengulangan prosedur. Dalam praktiknya, untuk masalah standar, keduanya sering tumpang tindih secara numerik, menyebabkan kebingungan. Selalu tentukan mana yang Anda laporkan.
Apa itu prior, dan bagaimana cara memilihnya?
Prior adalah distribusi probabilitas atas nilai parameter sebelum mengamati data, mencerminkan pengetahuan atau asumsi sebelumnya. Prior informatif lemah memberikan informasi minimal (distribusi datar); prior informatif menggabungkan pengetahuan sebelumnya yang asli (mis., efek pengobatan < 20% dari uji coba sebelumnya). Prior skeptis sangat mendukung nol (tidak ada efek), memerlukan bukti data yang kuat untuk bergeser. Pilih prior dengan: (1) meninjau literatur sebelumnya, (2) berkonsultasi dengan pakar domain, (3) menentukan rentang nilai yang masuk akal, (4) menguji sensitivitas terhadap prior alternatif. Selalu laporkan prior secara eksplisit dan justifikasi. Jika kesimpulan berubah drastis dengan prior yang masuk akal berbeda, inferensi lemah dan diperlukan lebih banyak data.
Apa itu faktor Bayes, dan bagaimana cara menafsirkannya?
Faktor Bayes (BF) mengukur bukti untuk satu model di atas yang lain: BF₁₀ = P(data|model 1) / P(data|model 2). BF > 1 mendukung model 1. Interpretasi: BF = 3 = 'bukti sedang untuk model 1'; BF = 10 = 'bukti kuat'; BF > 100 = 'bukti pasti.' Berbeda dengan nilai-p, BF tidak memerlukan ambang batas signifikansi yang telah ditentukan. BF dapat mendukung nol (BF < 1), mendeteksi ketiadaan bukti. Batasan: menghitung BF memerlukan penentuan probabilitas model awal (model mana yang masuk akal secara a priori); penetapan prior yang berbeda menghasilkan nilai BF yang berbeda. Gunakan BF untuk perbandingan model ketika kedua model memiliki motivasi praktis yang jelas.
Apakah analisis Bayesian menghindari masalah perbandingan berganda?
Sebagian. Inferensi Bayesian tidak menggunakan nilai-p atau ambang batas signifikansi, sehingga koreksi perbandingan berganda tradisional (Bonferroni) tidak diperlukan. Namun, ketika memasang banyak model dan memilih berdasarkan kriteria posterior (DIC, WAIC), Anda berisiko overfitting dan bias pemilihan model yang analog dengan pengujian berulang frequentist. Praktik terbaik: tentukan model sebelumnya berdasarkan teori, bukan eksplorasi data. Jika eksploratif, terapkan validasi silang untuk menilai generalisasi. Rata-rata model Bayesian (menggabungkan prediksi dari beberapa model yang dibobot oleh probabilitas posterior) adalah solusi elegan untuk ketidakpastian model.
Metode terkait
Sumber
Bayes, T. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society, 53, 370–418.
Buka referensi publikasiDisalin.Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press.
Buka referensi DOIDisalin.Kruschke, J. K. (2015). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan (2nd ed.). Academic Press.
Buka referensi DOIDisalin.