KNOWECON WIKI

ARTICLE

贝叶斯统计 (Bayesian statistics)

贝叶斯统计 (Bayesian statistics) 贝叶斯统计（Bayesian statistics）是以贝叶斯定理为核心的一整套统计推断范式，其基本思想是将未知参数视为随机变量，通过先验分布表达分析者在观测数据之前对参数的既有认知，再利用观测数据通过似然函数更新这一认知，最终得到后验分布。后验分布综合了先验信息和数据信息，是所有贝叶斯推断——点估计、

浏览 0 更新 2025-10-26

贝叶斯统计 (Bayesian statistics)

贝叶斯统计（Bayesian statistics）是以贝叶斯定理为核心的一整套统计推断范式，其基本思想是将未知参数视为随机变量，通过先验分布表达分析者在观测数据之前对参数的既有认知，再利用观测数据通过似然函数更新这一认知，最终得到后验分布。后验分布综合了先验信息和数据信息，是所有贝叶斯推断——点估计、区间估计、假设检验和预测——的基础。与频率学派统计将参数视为固定未知常数、仅通过样本的重复抽样性质进行推断不同，贝叶斯统计明确将主观或客观的先验知识纳入分析框架，提供了一套统一的概率推理语言。

贝叶斯定理的核心结构

贝叶斯统计的数学基础是贝叶斯定理。设 θ\theta 为未知参数，y=(y1,…,yn)y = (y_1, \ldots, y_n) 为已观测数据。贝叶斯定理的连续形式为：

p(θ∣y)=p(y∣θ) p(θ)p(y)=p(y∣θ) p(θ)∫p(y∣θ) p(θ) dθp(\theta \mid y) = \frac{p(y \mid \theta) \, p(\theta)}{p(y)} = \frac{p(y \mid \theta) \, p(\theta)}{\int p(y \mid \theta) \, p(\theta) \, d\theta}

其中，p(θ)p(\theta) 为先验分布——反映在观测数据前对参数 θ\theta 的认知；p(y∣θ)p(y \mid \theta) 为似然函数——给定参数 θ\theta 下观测到数据 yy 的概率模型，与频率学派中的似然函数完全一致；p(θ∣y)p(\theta \mid y) 为后验分布——综合先验和数据后对参数 θ\theta 的更新认知；p(y)=∫p(y∣θ)p(θ)dθp(y) = \int p(y \mid \theta) p(\theta) d\theta 为边缘似然或归一化常数，保证后验分布积分为1。

由于分母 p(y)p(y) 不依赖于 θ\theta，贝叶斯推断中常使用比例形式：p(θ∣y)∝p(y∣θ) p(θ)p(\theta \mid y) \propto p(y \mid \theta) \, p(\theta)。该简洁表达式揭示了贝叶斯学习的本质：后验正比于先验乘以似然。

先验分布的类型与选择

先验分布的选择是贝叶斯统计的核心议题。常见的先验类型包括：

  1. 无信息先验：当分析者对参数缺乏实质性的先验知识时，采用对数据影响最小的先验，如拉普拉斯提出的均匀先验或Jeffreys先验。Jeffreys先验具有参数变换不变性，其形式为 p(θ)∝I(θ)p(\theta) \propto \sqrt{I(\theta)}，其中 I(θ)I(\theta) 为Fisher信息量。
  2. 共轭先验：若先验分布与后验分布属于同一分布族，则称该先验为似然函数的共轭先验。例如，二项似然的共轭先验为Beta分布，正态似然（方差已知）的共轭先验为正态分布，正态似然（均值已知）下方差参数的共轭先验为逆伽玛分布。共轭先验使后验计算解析可解，在教学中被广泛使用。
  3. 层级先验：将先验分布本身参数化，并对超参数再赋予先验，形成层级贝叶斯模型。层级模型在处理组间异质性、随机效应等结构化数据时具有显著优势。
  4. 信息先验：当存在来自历史研究、专家意见或理论约束的实质性先验知识时，通过调节先验参数将信息纳入分析。

先验选择的敏感性分析是贝叶斯实践中的重要环节——通过比较不同先验下的后验结果，评估结论对先验假设的稳健程度。

贝叶斯推断

基于后验分布 p(θ∣y)p(\theta \mid y)，贝叶斯推断包含以下主要形式：

点估计通常取后验均值 E[θ∣y]E[\theta \mid y]（在平方损失下为最优）或后验众数（最大后验估计，MAP估计）。当先验为无信息先验时，MAP估计退化为最大似然估计（MLE）。

区间估计使用可信区间：给定概率水平 1−α1 - \alpha，可信区间 [L,U][L, U] 满足 P(L≤θ≤U∣y)=1−αP(L \le \theta \le U \mid y) = 1 - \alpha。与频率学派的置信区间不同，可信区间提供了直接的、符合直觉的概率陈述——参数有 1−α1 - \alpha 的概率落在该区间内。

假设检验通过后验概率比或贝叶斯因子进行比较。贝叶斯因子定义为两个模型的边缘似然之比：BF12=p(y∣M1)/p(y∣M2)BF_{12} = p(y \mid M_1) / p(y \mid M_2)。BF12>1BF_{12} > 1 表示数据支持模型1而非模型2。

预测分布用于对未来观测 y∗y^* 进行推断：p(y∗∣y)=∫p(y∗∣θ) p(θ∣y) dθp(y^* \mid y) = \int p(y^* \mid \theta) \, p(\theta \mid y) \, d\theta，自动综合了参数不确定性和抽样变异性。

计算方法：MCMC

除少数使用共轭先验的情形外，后验分布通常没有解析表达式，需借助数值方法。马尔可夫链蒙特卡洛（MCMC）是贝叶斯计算的主流方法，其核心思想为构造一个以目标后验分布为平稳分布的马尔可夫链，通过大量采样近似后验分布。常用算法包括：Metropolis-Hastings算法通过接受-拒绝机制从任意提议分布中实现目标后验采样；Gibbs采样作为MH的特例，通过对各参数的满条件分布依次采样实现对多维后验的高效探索；Hamiltonian Monte Carlo（HMC）利用梯度信息抑制随机游走行为，在STAN等现代贝叶斯软件中得到广泛应用。

在经济学中的应用

贝叶斯方法在经济学和计量经济学中有着广泛而深入的应用。在宏观经济学中，贝叶斯VAR模型通过先验压缩大规模VAR的参数空间，解决了经典方法中自由度过大的问题。在微观计量经济学中，层级贝叶斯模型被广泛用于消费者异质性分析——如离散选择模型中随机系数的估计。在资产定价中，贝叶斯方法为投资组合理论中参数不确定性的处理提供了自然框架，允许投资者综合历史数据和主观判断构建最优组合。在结构估计中，贝叶斯方法将理论模型的结构参数视为随机变量，通过先验引入经济理论的定性约束，在DSGE模型的参数校准中发挥了关键作用。

贝叶斯统计与频率学派统计并非互斥的范式，而是适用于不同分析场景的互补工具。当存在可靠的先验信息时贝叶斯推断效率更高，当需要保证频率性质时频率方法更适用。理解两种范式的异同及其各自的适用条件，是现代计量经济学训练的重要组成部分。