贝叶斯统计推断（点估计和区间估计）

一、点估计

1.1条件方法

后验分布$\pi (\theta |x\text{x}x)$集中了抽样信息（$x\text{x}x$） 和 先验信息($\pi (\theta )$) 中关于$\theta$的所有信息。所有关于$\theta$的点估计、区间估计和假设检验将从后验分布中提取。

条件观点：基于后验分布的统计推断意味着只考虑已出现的数据（样本观测值），认为和未出现的值无关，相应的方法称为“条件方法”，与我们熟悉的“频率方法”之间有很大区别。

例如，经典统计学认为参数$\theta$的无偏估计$\hat{\theta }(X\text{X}X)$应该满足：
$$E[\hat{\theta }(X\text{X}X)]={\int }_{\mathcal{X}}\hat{\theta }(x\text{x}x)p(x\text{x}x|\theta )\text{d}x\text{x}x=\theta ,$$
平均是对样本空间是有可能的结果求出的，大多数未出现样本也要参与平均是贝叶斯学者不能理解的，这就是条件观点。

贝叶斯点估计

已知总体$X$参数的后验分布：$\pi (\theta \text{θ}\theta |x_1,x_2,\dots ,x_n)$

最大后验估计:${\widehat{\theta \text{θ}\theta }}_{MD}$

也称后验众数估计（posterior mode estimator），后验极大似然估计
$$\pi (\theta \text{θ}\theta |x_1,x_2,\dots ,x_n)最大值{\widehat{\theta \text{θ}\theta }}_{MD}$$

后验中位数估计:${\widehat{\theta \text{θ}\theta }}_{ME}$

$$P(\theta \text{θ}\theta >\widehat{\theta \text{θ}\theta }|x_1,x_2,\dots ,x_n)=P(\theta \text{θ}\theta <\widehat{\theta \text{θ}\theta }|x_1,x_2,\cdots ,x_n$$