双样本经验贝叶斯检验

本文是对《Objective Bayesian Two Sample Hypothesis Testing for
Online Controlled Experiments》的理解。

为什么选贝叶斯

相比固定水平假设检验的优势：

$P(H0|Data)$ 相对p值更直接；
正确先验前提，支持多次观测，可选择最佳停止时机；
无需多重检验修正；
可主动接受零假设。

贝叶斯检验

$\frac{P(H1 | \Delta)}{P(H0 | \Delta)} = \frac{P(H1)}{P(H0)} * \frac{P(\Delta|H1)}{P(\Delta|H0)}$

两个假设是对立事件，根据两种假设的后验概率之比选择接受哪种假设。

从公式可知，后验比率 $\frac{P(H1 | \Delta)}{P(H0 | \Delta)}$ 依赖于先验比率 $\frac{P(H1)}{P(H0)}$ 、贝叶斯因子 $\frac{P(\Delta|H1)}{P(\Delta|H0)}$ ，确定了两者就可以求出。

那么如何选择两者呢？

模型和先验问题

贝叶斯因子计算
通过大数定理、中心极限定理可知， $\Delta$ 服从正态分布，可以使用正态分布模型。
在 $H0$ 下， $\Delta \sim N(0, \sigma^2_T/N_T + \sigma^2_C/N_C)$ ；
在 $H1$ 下， $(\mu, \sigma^2)$ 会怎么？一般我们认为 $\Delta \sim N(\mu, \sigma^2_T/N_T + \sigma^2_C/N_C)$ ， $\mu$ 为某非零的值。
先验比率计算
$\frac{P(H1)}{P(H0)}$ 按照主观贝叶斯，我们可按自己理解指定，但选取不好会影响敏感度甚至得到错误的结果；
如果按照客观贝叶斯，可使用经验贝叶斯或全贝叶斯。
这里介绍经验贝叶斯方案：如果我们已经进行了很多次实验，且已知各实验分别属于零假设和备择假设的数量，这是一个伯努利分布模型，则我们可以求得两者的经验分布，以及先验比率的估计。

计算细节

定义

$Z = \frac{ \Delta }{ \sqrt {\sigma^2_T/N_T + \sigma^2_C/N_C}}$
$N_E = \frac{1}{1/N_T + 1/N_C}$
$\sigma^2 / N_E = \sigma^2_T/N_T + \sigma^2_C/N_C$
$\delta = \Delta / \sigma$
$\mu = E(\delta)$

则根据定义：
$\delta \sim N ( \mu, 1 / N_E )$
$Z = \frac{\delta} {\sqrt{1 / N_E}}$

模型设计

$H0:\mu = 0$
$H1:\mu \sim \pi(\mu)$
$H1$ 为真概率为 $p$ ，则 $H0$ 概率为 $1 - p$

$P(\delta|H_1) = \int _Mf_\mu(\delta)\pi(\mu)d\mu$
关于 $\mu$ 的先验 $\pi$ ，采用一个简单的正态分布模型： $\pi(\mu) =N(0, V^2)$ ，

1. $\delta = \mu + \sqrt{1 / N_E} * \varepsilon, \varepsilon \sim N(0, 1)$
2. $\mu =0 + V * \varepsilon_0, \varepsilon_0 \sim N(0,1) \$
则 $\delta = \sqrt{1 / N_E} * \varepsilon+ V * \varepsilon_0, \varepsilon_0 \sim N(0,1) , \varepsilon \sim N(0, 1)$

可求得 $E(\delta) = 0, Var(\delta) = 1/N_{E} + V^2$ ,
则 $(\delta|\pi, N_E) \sim N(0, 1/N_{E} + V^2)$

先验概率与V的选取

我们并不知道历史实验中，哪些 $\delta_i$ 属于 $H0$ 哪些属于 $H1$ 。
如何根据历史实验求解先验？这种依赖不可观察的隐性变量的概率模型，可以使用最大期望算法：

$\frac{P(H1)}{P(H0)} * \frac{P(\Delta|H1)}{P(\Delta|H0)} = \frac{p}{1 - p} * \frac{\phi (\delta_i; 0, 1/N_{Ei} + V^2)}{\phi (\delta_i; 0, 1/N_{Ei})}$
求得 $P_i = P(H1|\delta_i;p,V)$
将 $p$ 设置为1中得到的 $P_i$ 的均值
$V^2 =\frac{\sum{var(\delta_i) * P_i}}{\sum{P_i}} - \frac{\sum{1 / N_{Ei} * P_i}}{\sum{P_i}} = \frac{\sum{\delta_i^2 * P_i}}{\sum{P_i}} - \frac{\sum{1 / N_{Ei} * P_i}}{\sum{P_i}}$

重复上述步骤直到 $p$ 与 $V$ 收敛，作为它们的最大似然估计。

最后编辑于：2021.12.29 17:12:23