การอนุมานแบบเบย์เซียน
- ผู้เสนอ
- Thomas Bayes
- ปี
- 1763
- ประเภท
- Method
- กลุ่มวิธี
- probabilistic-inference
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การอนุมานแบบเบย์เซียน (Bayesian inference) เป็นกรอบการทำงานทางสถิติที่ใช้ทฤษฎีบทของเบย์ (Bayes' theorem) ในการปรับปรุงความเชื่อเกี่ยวกับพารามิเตอร์หรือสมมติฐานเมื่อมีข้อมูลสะสมเพิ่มขึ้น งานของโทมัส เบย์ส (Thomas Bayes) ที่ตีพิมพ์หลังเสียชีวิตในปี 1763 นั้นยังไม่เป็นที่รู้จักจนกระทั่งศตวรรษที่ 20 เมื่อความก้าวหน้าทางคอมพิวเตอร์ (เช่น Gibbs sampling, Markov Chain Monte Carlo) ทำให้วิธีการแบบเบย์เซียนสามารถนำมาปฏิบัติได้จริง ต่างจากการอนุมานแบบบ่อยครั้ง (frequentist inference) ซึ่งถือว่าพารามิเตอร์เป็นค่าคงที่ที่ไม่ทราบค่า การวิเคราะห์แบบเบย์เซียนถือว่าพารามิเตอร์เป็นตัวแปรสุ่มที่มีการแจกแจงความน่าจะเป็น ทำให้สามารถกล่าวถึงความน่าจะเป็นของพารามิเตอร์ได้โดยตรง การผนวกความรู้ก่อนหน้า (prior knowledge) และการปรับปรุงอย่างต่อเนื่อง วิธีการนี้มีความสำคัญอย่างยิ่งในการแพทย์แม่นยำ (precision medicine) การทดลองแบบปรับได้ (adaptive trials) แบบจำลองลำดับชั้นที่ซับซ้อน (complex hierarchical models) และบริบทใดๆ ที่ข้อมูลก่อนหน้าช่วยเสริมการอนุมาน
แนวคิดเบื้องหลังวิธีการ
การอนุมานแบบเบย์เซียนเป็นการรวมความเชื่อก่อนหน้าเกี่ยวกับพารามิเตอร์ (ก่อนสังเกตข้อมูล) เข้ากับฟังก์ชันความควรจะเป็น (likelihood) ของข้อมูลที่สังเกตได้ เพื่อให้ได้ความเชื่อภายหลัง (posterior belief) (หลังสังเกตข้อมูล) ความรู้ก่อนหน้า (จากงานวิจัยก่อนหน้า ความเห็นของผู้เชี่ยวชาญ หรือการให้เหตุผลเชิงทฤษฎี) จะถูกเข้ารหัสเป็นการแจกแจงความน่าจะเป็น เมื่อมีข้อมูลใหม่สะสม ความเชื่อภายหลังจะถูกปรับปรุงให้เข้าใกล้ฟังก์ชันความควรจะเป็น ซึ่งค่อยๆ ลดความไม่แน่นอนลง ทฤษฎีบทของเบย์: P(parameter|data) = P(data|parameter) × P(parameter) / P(data) ความเชื่อภายหลังสามารถตอบคำถามได้โดยตรง เช่น 'ความน่าจะเป็นที่ผลของการรักษาจะเกิน 10% คือเท่าใด?' (ช่วงความเชื่อมั่นที่น่าเชื่อถือ - credible interval) หรือ 'ความน่าจะเป็นที่การรักษา A ดีกว่าการรักษา B คือเท่าใด?' ซึ่งทั้งสองคำถามเป็นธรรมชาติสำหรับผู้ปฏิบัติงาน แต่เป็นไปไม่ได้ในการอนุมานแบบบ่อยครั้ง ซึ่งให้ค่า p-value และช่วงความเชื่อมั่น (confidence interval) ที่ต้องตีความอย่างระมัดระวัง
ประวัติศาสตร์
เอกสารหลังเสียชีวิตของโทมัส เบย์ส ในปี 1763 ได้นำเสนอรากฐาน: หากพารามิเตอร์มีความไม่แน่นอน หลักฐานจะปรับปรุงความเชื่อได้อย่างไร? ลาปลาซ (Laplace) ได้ค้นพบทฤษฎีบทของเบย์โดยอิสระและขยายไปยังปัญหาความน่าจะเป็นผกผัน กรอบการทำงานนี้ยังไม่เป็นที่รู้จักจนกระทั่งศตวรรษที่ 20 วิธีการแบบบ่อยครั้ง (Neyman, Pearson) เป็นที่นิยม อัลกอริทึม MCMC ในทศวรรษ 1990 (Gibbs sampling, Metropolis-Hastings, Hamiltonian MC) ทำให้การคำนวณแบบเบย์เซียนสามารถนำมาปฏิบัติได้จริงสำหรับแบบจำลองที่ซับซ้อน การฟื้นคืนชีพของเบย์เซียนในยุคปัจจุบันขับเคลื่อนโดย Stan, JAGS และแพ็กเกจ R การยอมรับกำลังเพิ่มขึ้นอย่างรวดเร็วในสาขาการแพทย์ การเรียนรู้ของเครื่อง และนโยบาย
ควรใช้เมื่อใด
ใช้วิธีการแบบเบย์เซียนเมื่อ: (1) มีข้อมูลก่อนหน้าและมีความเกี่ยวข้อง (งานวิจัยก่อนหน้า ความเห็นของผู้เชี่ยวชาญ แนวทางกำกับดูแล) (2) ต้องการการวิเคราะห์แบบต่อเนื่อง (การทดลองแบบปรับได้ การวิเคราะห์ระหว่างกาล) (3) ต้องการแบบจำลองลำดับชั้นหรือตัวแปรแฝงที่ซับซ้อน (multilevel, mixture models) (4) ต้องการการกล่าวถึงความน่าจะเป็นของพารามิเตอร์โดยตรง (การแพทย์แม่นยำ การประเมินความเสี่ยง) (5) ขนาดตัวอย่างเล็ก (prior แบบ shrinkage ช่วยทำให้ค่าประมาณคงที่) วิธีการแบบเบย์เซียนมีคุณค่าอย่างยิ่งในการวิจัยโรคหายาก การแพทย์แม่นยำ (การปรับการรักษาเฉพาะบุคคล) การพัฒนายา (การตัดสินใจแบบต่อเนื่อง) และการตัดสินใจเชิงนโยบายที่บูรณาการแหล่งข้อมูลหลายแหล่ง
ข้อจำกัดและข้อควรพิจารณา
- การระบุ prior: การเลือก prior เป็นเรื่องอัตวิสัย (subjective) ผู้ที่มีเหตุผลอาจมีความเห็นต่างกัน จำเป็นต้องมีการวิเคราะห์ความไวเพื่อแสดงให้เห็นว่าข้อสรุปมีความคงทนต่อการเลือก prior; prior ที่ระบุผิดอาจทำให้เข้าใจผิดได้
- ต้นทุนการคำนวณ: การสุ่มตัวอย่าง MCMC ใช้ทรัพยากรคอมพิวเตอร์มากสำหรับชุดข้อมูลขนาดใหญ่หรือแบบจำลองที่ซับซ้อน ต้องการความเชี่ยวชาญในการวินิจฉัยการลู่เข้า
- การขาดฉันทามติ: ผู้ปฏิบัติงานแบบเบย์เซียนและแบบบ่อยครั้งมีความเห็นไม่ตรงกันเกี่ยวกับการตีความและระเบียบวิธี สร้างอุปสรรคในการตีพิมพ์และขอทุนในวารสารแบบดั้งเดิม
- prior เริ่มต้นมักไม่แน่นอน: การเลือก prior แบบ 'อ่อน' ดูเหมือนเป็นกลาง แต่เกี่ยวข้องกับข้อสมมติฐานโดยปริยาย ผลลัพธ์อาจมีความไวต่อการเลือกค่าเริ่มต้น
- ความยากลำบากในการเปรียบเทียบแบบจำลอง: Bayes factors ต้องการการคำนวณความน่าจะเป็นตามขอบเขต (marginal likelihood) ใช้ทรัพยากรคอมพิวเตอร์มากและมีความไวต่อการระบุ prior ในแบบจำลองที่ซับซ้อน
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- การผนวกความรู้ก่อนหน้า: ความรู้ที่มีอยู่จากงานทดลองก่อนหน้า การวิเคราะห์อภิมาน (meta-analyses) หรือความเห็นของผู้เชี่ยวชาญ ถูกผนวกเข้าอย่างเป็นทางการ ช่วยเพิ่มประสิทธิภาพและลดขนาดตัวอย่างที่ต้องการ
- การกล่าวถึงความน่าจะเป็นโดยตรง: ความน่าจะเป็นภายหลังของสมมติฐาน (P(effect exists|data)) ตอบคำถามทางวิทยาศาสตร์ได้โดยตรง ไม่ต้องใช้ตรรกะ p-value ที่ขัดกับสัญชาตญาณ
- การวิเคราะห์แบบต่อเนื่อง: ข้อมูลถูกวิเคราะห์เมื่อสะสม การทดลองสามารถหยุดก่อนกำหนดได้สำหรับประสิทธิภาพหรือความไร้ประโยชน์โดยไม่เพิ่มข้อผิดพลาดประเภทที่หนึ่ง (Type I error) (ต่างจากการทดสอบซ้ำแบบบ่อยครั้ง)
- ความยืดหยุ่นสำหรับแบบจำลองที่ซับซ้อน: โครงสร้างลำดับชั้น ข้อมูลที่ขาดหายไป และตัวแปรแฝง สามารถรองรับได้อย่างเป็นธรรมชาติ การถดถอยหลายระดับ (multilevel regression) ในกรอบเบย์เซียนทำได้ง่าย
- prior แบบ Shrinkage ช่วยทำให้ค่าประมาณคงที่: มีประสิทธิภาพอย่างยิ่งในตัวอย่างขนาดเล็กหรือข้อมูลมิติสูง (ตัวแปรจำนวนมาก การสังเกตน้อย) ทำให้สัมประสิทธิ์เข้าใกล้ศูนย์
การประยุกต์ใช้
- การทดลองทางคลินิกและการแพทย์แม่นยำ: การทดลองแบบปรับได้แบบเบย์เซียนที่ปรับการกำหนดการรักษาตามข้อมูลประสิทธิภาพ/ความปลอดภัยที่สะสม ช่วยลดขนาดตัวอย่างและให้คำตอบที่เร็วขึ้น
- จีโนมิกส์และข้อมูลมิติสูง: การเลือกตัวแปรแบบเบย์เซียนโดยใช้ prior แบบเบาบาง (sparse priors) ระบุสัญญาณที่แท้จริงท่ามกลางเครื่องหมายทางพันธุกรรมนับพัน การทำให้เป็นปกติ (regularization) ป้องกันการปรับให้เหมาะสมเกินไป (overfitting)
- การพัฒนายาและการอนุมัติโดย FDA: การผนวกข้อมูลในอดีตจากงานทดลองก่อนหน้าผ่าน prior ช่วยลดขนาดตัวอย่างที่ต้องการและเร่งกระบวนการอนุมัติ
- การเฝ้าระวังทางระบาดวิทยา: การวิเคราะห์แบบต่อเนื่องของการระบาดของโรค การปรับปรุงความน่าจะเป็นของการระบาดเมื่อมีรายงานผู้ป่วยรายใหม่ การตรวจจับการระบาดตั้งแต่เนิ่นๆ
- แบบจำลองสิ่งแวดล้อมและนิเวศวิทยา: แบบจำลองลำดับชั้นที่คำนึงถึงข้อผิดพลาดในการวัด ข้อมูลที่ขาดหายไป และโครงสร้างเชิงพื้นที่/เวลาในระบบที่ซับซ้อน
วิธีการทำงาน
วิธีการทำงาน
การดำเนินการวิเคราะห์แบบเบย์เซียนทำได้โดย: (1) การระบุฟังก์ชันความควรจะเป็น (แบบจำลองความน่าจะเป็นสำหรับข้อมูลเมื่อกำหนดพารามิเตอร์ เช่น แบบจำลองปกติสำหรับผลลัพธ์ต่อเนื่อง แบบจำลองทวินามสำหรับข้อมูลทวิภาค) (2) การระบุความรู้ก่อนหน้า (การแจกแจงความน่าจะเป็นของพารามิเตอร์ ซึ่งแสดงถึงความรู้ก่อนหน้าหรือความสงสัย) (3) การรวบรวมข้อมูล (4) การคำนวณความเชื่อภายหลัง (การแจกแจงความน่าจะเป็นของพารามิเตอร์เมื่อกำหนดข้อมูล โดยใช้ทฤษฎีบทของเบย์) ความรู้ก่อนหน้าสามารถเป็น: ความรู้ที่อ่อน (weakly informative) (มีอิทธิพลน้อยจากความรู้ก่อนหน้า ปล่อยให้ข้อมูลมีบทบาทหลัก) ความรู้ที่เข้มข้น (informative) (ผนวกความรู้ก่อนหน้าจริงจากงานวิจัยก่อนหน้า) ความสงสัย (skeptical) (สนับสนุนสมมติฐานว่าง (null hypothesis) ต้องการหลักฐานที่แข็งแกร่งในการเปลี่ยนแปลงความเชื่อ) หรือเชิงประจักษ์ (empirical) (ใช้ข้อมูลนำร่อง) การให้เหตุผลสำหรับความรู้ก่อนหน้ามีความสำคัญอย่างยิ่ง ควรรายงานการวิเคราะห์ความไว (sensitivity analyses) เพื่อทดสอบความรู้ก่อนหน้าทางเลือกเพื่อประเมินความคงทนของผลลัพธ์
คำนวณความเชื่อภายหลังโดยใช้ทฤษฎีบทของเบย์: P(θ|y) ∝ P(y|θ) × P(θ) โดยที่ θ คือพารามิเตอร์ และ y คือข้อมูล สำหรับแบบจำลองที่ไม่ซับซ้อน ความเชื่อภายหลังสามารถหาได้โดยตรง (analytically tractable) (เช่น ฟังก์ชันความควรจะเป็นแบบปกติกับความรู้ก่อนหน้าแบบสังยุค (conjugate prior) แบบปกติ) สำหรับแบบจำลองที่ซับซ้อน ให้ใช้วิธี Markov Chain Monte Carlo (MCMC): อัลกอริทึม (Gibbs sampling, Metropolis-Hastings, Hamiltonian MC) จะสร้างตัวอย่างจากความเชื่อภายหลัง ซึ่งสามารถนำมาคำนวณค่าประมาณได้ รายงานผล: (1) ค่าเฉลี่ยภายหลัง (posterior mean) และช่วงความเชื่อมั่นที่น่าเชื่อถือ (credible interval) (95% CI: ช่วงที่ครอบคลุมความน่าจะเป็น 95% ของความเชื่อภายหลัง; สามารถตีความได้โดยตรงว่าเป็นความไม่แน่นอนของพารามิเตอร์) (2) ความน่าจะเป็นภายหลังของสมมติฐาน (P(effect > 0 | data)) (3) ค่า Bayes factor เปรียบเทียบแบบจำลองที่แข่งขันกัน: BF₁₀ = P(data|model1) / P(data|model2); BF > 3 หมายถึงหลักฐานปานกลางสำหรับแบบจำลองที่ 1, BF > 10 หมายถึงหลักฐานที่แข็งแกร่ง (4) การแจกแจงการทำนายภายหลัง (posterior predictive distribution): การทำนายสำหรับข้อมูลที่สังเกตได้ใหม่ (5) การวินิจฉัยแบบจำลอง: การตรวจสอบการลู่เข้าของ MCMC (Gelman-Rubin statistic Rhat < 1.01), ขนาดตัวอย่างประสิทธิผล (effective sample size), กราฟติดตาม (trace plots)
ค่าเฉลี่ยภายหลังเป็นค่าประมาณจุดของพารามิเตอร์; ช่วงความเชื่อมั่นที่น่าเชื่อถือเป็นช่วงของค่าที่เป็นไปได้ ต่างจากช่วงความเชื่อมั่นแบบบ่อยครั้ง (frequentist confidence intervals) ซึ่งกล่าวว่า: หากเราทำการศึกษาซ้ำไม่สิ้นสุด 95% ของช่วงความเชื่อมั่นที่สร้างขึ้นจะครอบคลุมค่าจริง ช่วงความเชื่อมั่นที่น่าเชื่อถือแบบเบย์เซียนระบุโดยตรงว่า: มีความน่าจะเป็น 95% ที่ค่าจริงจะอยู่ในช่วงนี้ การตีความที่เข้าใจง่ายนี้เป็นข้อได้เปรียบที่สำคัญ ความน่าจะเป็นภายหลังของสมมติฐาน (เช่น P(effect > 0|data)) ตอบคำถามว่าการรักษานั้นได้ผลหรือไม่โดยตรง โดยไม่ต้องใช้ตรรกะที่ขัดกับสัญชาตญาณของ p-value ค่า Bayes factor วัดหลักฐานสำหรับแบบจำลองหนึ่งเหนืออีกแบบจำลองหนึ่งโดยไม่ต้องกำหนดเกณฑ์นัยสำคัญ ให้สเกลหลักฐานแบบต่อเนื่อง ตรวจสอบรูปร่างของการแจกแจงภายหลัง (สมมาตร, เบ้) เพื่อทำความเข้าใจความไม่แน่นอนของพารามิเตอร์ การวิเคราะห์ความไว: ปรับแบบจำลองใหม่ด้วยความรู้ก่อนหน้าที่แตกต่างกัน หากข้อสรุปภายหลังมีความคงทนต่อการเลือกความรู้ก่อนหน้า การอนุมานจะเชื่อถือได้
ข้อผิดพลาดที่พบบ่อย
- การระบุ prior ตามอำเภอใจ: การไม่ให้เหตุผลสำหรับ prior หรือไม่ทำการวิเคราะห์ความไว Prior ควรชัดเจนและมีเหตุผลเสมอ ควรทดสอบความคงทนต่อทางเลือกอื่น
- การละเลยการวินิจฉัย MCMC: การไม่ตรวจสอบการลู่เข้า (Rhat, trace plots, effective sample size) อาจนำไปสู่การอนุมานที่ไม่ถูกต้อง ควรตรวจสอบเสมอว่าเชน (chains) ลู่เข้าและขนาดตัวอย่างประสิทธิผลเพียงพอ
- การเลือกแบบจำลองผ่าน posterior predictive p-value: ดูเหมือน p-value แบบบ่อยครั้ง แต่มีการตีความที่แตกต่างกัน การใช้งานผิดประเภทนำไปสู่การเพิ่มขึ้นของข้อผิดพลาดประเภทที่หนึ่ง
- P-hacking ในแบบเบย์เซียน: การเลือก prior หลังการเก็บข้อมูล (post-hoc) เพื่อให้ได้ข้อสรุปที่ต้องการ (โดยไม่รู้ตัวหรือโดยเจตนา) บ่อนทำลายความถูกต้อง ควรระบุ prior ล่วงหน้า
- การหดตัวที่มั่นใจเกินไป: prior ที่เข้มข้นจะหดค่าประมาณเข้าหาค่าเฉลี่ย prior อย่างมาก อาจซ่อนผลกระทบที่แท้จริงหาก prior ระบุผิดพลาด ควรใช้ prior แบบสงสัยด้วยความระมัดระวัง และตรวจสอบให้แน่ใจว่ามีการวิเคราะห์ความไว
- การตีความ Bayes factors ผิดพลาด: BF = 3 ไม่ได้หมายความว่ามีความน่าจะเป็น 75% ที่แบบจำลองหนึ่งจะถูกต้อง (นั่นต้องการการระบุความน่าจะเป็นของแบบจำลองก่อนหน้า) BF วัดหลักฐาน ไม่ใช่ความน่าจะเป็นของแบบจำลองภายหลัง
คำถามที่พบบ่อย
ช่วงความเชื่อมั่นที่น่าเชื่อถือ (credible interval) คืออะไร และแตกต่างจากช่วงความเชื่อมั่น (confidence interval) อย่างไร?
ช่วงความเชื่อมั่นที่น่าเชื่อถือแบบเบย์เซียน (โดยทั่วไปคือ 95%) คือช่วงที่ครอบคลุมความน่าจะเป็นภายหลัง 95%; สามารถตีความได้โดยตรงว่า: 'มีความน่าจะเป็น 95% ที่ค่าพารามิเตอร์จริงจะอยู่ในช่วงนี้' ช่วงความเชื่อมั่นแบบบ่อยครั้ง (95% CI) คือช่วงที่สร้างขึ้นโดยมีคุณสมบัติว่า หากทำการศึกษานี้ซ้ำไม่สิ้นสุด 95% ของช่วงความเชื่อมั่นที่สร้างขึ้นจะครอบคลุมค่าจริง สิ่งเหล่านี้แตกต่างกันโดยพื้นฐาน: ช่วงความเชื่อมั่นที่น่าเชื่อถือเกี่ยวกับความน่าจะเป็นของพารามิเตอร์; ช่วงความเชื่อมั่นเกี่ยวกับความสามารถในการทำซ้ำของกระบวนการ ในทางปฏิบัติ สำหรับปัญหามาตรฐาน ทั้งสองมักจะมีค่าใกล้เคียงกัน ทำให้เกิดความสับสน ควรระบุเสมอว่ารายงานแบบใด
Prior คืออะไร และจะเลือกได้อย่างไร?
Prior คือการแจกแจงความน่าจะเป็นของค่าพารามิเตอร์ก่อนที่จะสังเกตข้อมูล ซึ่งสะท้อนถึงความรู้หรือข้อสมมติฐานก่อนหน้า Prior ที่อ่อน (Weakly informative priors) ให้ข้อมูลน้อยที่สุด (การแจกแจงที่ราบเรียบ); prior ที่เข้มข้น (informative priors) ผนวกความรู้ก่อนหน้าจริง (เช่น ผลการรักษา < 20% จากงานวิจัยก่อนหน้า) Prior ที่สงสัย (Skeptical priors) สนับสนุนสมมติฐานว่างอย่างมาก (ไม่มีผล) โดยต้องการหลักฐานข้อมูลที่แข็งแกร่งในการเปลี่ยนแปลงความเชื่อ การเลือก prior ทำได้โดย: (1) ทบทวนวรรณกรรมก่อนหน้า (2) ปรึกษาผู้เชี่ยวชาญในสาขา (3) ระบุช่วงของค่าที่เป็นไปได้ (4) ทดสอบความไวต่อ prior ทางเลือก ควรรายงาน prior อย่างชัดเจนและให้เหตุผลเสมอ หากข้อสรุปเปลี่ยนแปลงอย่างมากด้วย prior ที่สมเหตุสมผลแตกต่างกัน การอนุมานจะอ่อนแอและต้องการข้อมูลเพิ่มเติม
Bayes factor คืออะไร และจะตีความได้อย่างไร?
Bayes factor (BF) วัดหลักฐานสำหรับแบบจำลองหนึ่งเหนืออีกแบบจำลองหนึ่ง: BF₁₀ = P(data|model 1) / P(data|model 2) BF > 1 สนับสนุนแบบจำลองที่ 1 การตีความ: BF = 3 = 'หลักฐานปานกลางสำหรับแบบจำลองที่ 1'; BF = 10 = 'หลักฐานที่แข็งแกร่ง'; BF > 100 = 'หลักฐานที่ชัดเจน' ต่างจาก p-value, BF ไม่ต้องการเกณฑ์นัยสำคัญที่กำหนดไว้ล่วงหน้า BF สามารถสนับสนุนสมมติฐานว่าง (BF < 1) ซึ่งตรวจจับการไม่มีหลักฐาน ข้อจำกัด: การคำนวณ BF ต้องการการระบุความน่าจะเป็นของแบบจำลองก่อนหน้า (แบบจำลองใดมีความเป็นไปได้ก่อนหน้า) การกำหนด prior ที่แตกต่างกันให้ค่า BF ที่แตกต่างกัน ใช้ BF สำหรับการเปรียบเทียบแบบจำลองเมื่อทั้งสองแบบจำลองมีแรงจูงใจเชิงปฏิบัติที่ชัดเจน
การวิเคราะห์แบบเบย์เซียนหลีกเลี่ยงปัญหาการเปรียบเทียบหลายครั้ง (multiple comparisons problem) หรือไม่?
บางส่วน การอนุมานแบบเบย์เซียนไม่ใช้ p-value หรือเกณฑ์นัยสำคัญ ดังนั้น การแก้ไขปัญหาการเปรียบเทียบหลายครั้งแบบดั้งเดิม (เช่น Bonferroni) จึงไม่จำเป็น อย่างไรก็ตาม เมื่อทำการปรับแบบจำลองจำนวนมากและเลือกตามเกณฑ์ภายหลัง (เช่น DIC, WAIC) คุณจะเสี่ยงต่อการปรับให้เหมาะสมเกินไป (overfitting) และความเอนเอียงในการเลือกแบบจำลองที่คล้ายกับการทดสอบหลายครั้งแบบบ่อยครั้ง แนวทางปฏิบัติที่ดีที่สุด: ระบุแบบจำลองล่วงหน้าตามทฤษฎี ไม่ใช่จากการสำรวจข้อมูล หากเป็นการสำรวจ ควรใช้การตรวจสอบไขว้ (cross-validation) เพื่อประเมินการสรุปผลทั่วไป การเฉลี่ยแบบจำลองแบบเบย์เซียน (Bayesian model averaging) (การรวมการทำนายจากหลายแบบจำลองโดยถ่วงน้ำหนักด้วยความน่าจะเป็นภายหลัง) เป็นวิธีแก้ปัญหาความไม่แน่นอนของแบบจำลองที่สง่างาม
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Bayes, T. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society, 53, 370–418.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วGelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วKruschke, J. K. (2015). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan (2nd ed.). Academic Press.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว