单参数贝叶斯分析实例

研究背景

以一个泊松分布的贝叶斯模型进行演示说明，但是该模型涉及到层次模型的知识。调查美国各个地方的癌症死亡率。追踪10年，癌症死亡率的计算遵循下面的公式，
$${\theta }_j=\frac{y_j}{10n_j}$$
这里统计的单位是"county"，有点类似于县城。其中，${\theta }_j$是第$j$个county癌症死亡率，$y_j$是癌症死亡人数，$n_j$是county的样本数目。全国的平均值是$5\times 10^{-5}$。

经过统计，将各个癌症发生比例显著高于国家基本水平的地区标黑，结果如下，

结果显示，被称为"Great Plains"的美国中西部地区癌症死亡率高的，所以很多人会认为这与落后的基础设施和医疗建设相关。但是如果再看一下癌症低发的地区，会有新的发现，

中西部地区同样是癌症低死亡率的地方，这与上面的图片得到的结论是相互矛盾的。

问题原因

造成这一问题的原因归根结底是因为"sample size"所导致，因为这项研究是以"county"为单位的，翻译过来就是小区域，对于不同地区的调查的样本量$n_j$是不同的，这对结果造成了很大的影响。

以小的county为例，若$n_j=1000$，

• 当$y_j=0$时，raw death rate的计算$\frac{y_j}{10n_j}=\frac{0}{10000}=0$，这个county的癌症比率为0。
• 当$y_j=1$时，raw death rate的计算$\frac{y_j}{10n_j}=\frac{1}{10000}=10^{-4}$，已经是国家平均死亡率的2倍。
• 当$y_j=2$时，raw death rate的计算$\frac{y_j}{10n_j}=\frac{2}{10000}=2\times 10^{-4}$，已经是国家平均死亡率的4倍。

而对于一个大的county而言，小的数值的变化对其影响不大。直接使用经验公式求取癌症死亡率的方法是存在极大偏差的，需要对现有的统计方法进行改进。

模型改进

因为直接使用最开始的统计公式对于不同样本量的county是不公平的，即先验概率无法表达真实的数据，所以建立更加规范的数据模型。

美国统计的国家的整体癌症发生可以看做是一个泊松分布，
$$y_j\sim Poisson(10n_j{\theta }_j)$$
其中${\theta }_j$是未知的，泊松分布的共轭先验分布是Gamma分布(具体参考)，故将${\theta }_j$的先验分布设定为一个Gamma分布，用一种比较粗暴的方式确定Gamma分布的参数，

画出每个county每10000人中患癌人数的频数分布图，得到$\alpha =20$和$\beta =430000$。虽然这种方式看似有效，但是更好的方法会在以后层次模型的笔记中说明。

经过推导后，死亡率${\theta }_j$的后验概率服从
$${\theta }_j|y_j\sim Gamma(20+y_j,430000+10n_j)$$
这样做的好处依旧可以以小的county进行解读，
若$n_j=1000$，

• 当$y_j=0$时，死亡率的后验概率计算$\frac{20+y_j}{430000+10n_j}=\frac{20}{440000}$，这个county的癌症比率为$4.55\times 10^{-5}$。
• 当$y_j=1$时，死亡率的后验概率计算$\frac{20+y_j}{430000+10n_j}=\frac{21}{440000}$，这个county的癌症比率为$4.77\times 10^{-5}$。
• 当$y_j=2$时，死亡率的后验概率计算$\frac{20+y_j}{430000+10n_j}=\frac{22}{440000}$，这个county的癌症比率为$5.00\times 10^{-5}$。

在先验分布的情况下，对于一个小的county而言，小的数值的变化对其影响被显著消除。

使用贝叶斯分析前和后的效果，使用图形化的方式展示，

• 使用前
  
• 使用后