Faktor A Bayes didefinisikan dalam Bayesian pengujian hipotesis dan Bayesian pemilihan model dengan rasio dua likelihood marginal: diberikan sampel iid (x1,…,xn) dan kepadatan masing-masing sampling f1(x|θ) dan f2(x|η) , dengan prior yang sesuai π1 dan π2 , faktor Bayes untuk membandingkan kedua model adalah
B12(x1,…,xn)=defm1(x1,…,xn)m2(x1,…,xn)=def∫∏ni=1f1(xi|θ)π1(dθ)∫∏ni=1f2(xi|η)π2(dη)
Sebuahbuku yangsaya tinjau saat ini memiliki pernyataan aneh bahwa faktor Bayes di atasB12(x1,…,xn)"dibentuk oleh mengalikan masing-masing [faktor Bayes] bersama-sama "(hal.118). Ini benar secara formal jika seseorang menggunakan dekomposisi
B12(x1,…,xn)=m1(x1,…,xn)m2(x1,…,xn)=m1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)×m1(xn−1|xn−2,…,x1)m2(xn−1|xn−2,…,x1)×⋯⋯×m1(x1)m2(x1)
tapi saya tidak melihat keunggulan komputasi dalam dekomposisi ini sebagai pembaruan olehm1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)
memerlukan upaya komputasi yang sama dengan perhitungan awalm1(x1,…,xn)m2(x1,…,xn)
luar contoh mainan buatan.
Pertanyaan: Apakah ada cara generik dan komputasi efisien memperbarui faktor Bayes dari B12(x1,…,xn) ke
B12(x1,…,xn+1) yang tidak memerlukan recomputing seluruh marginals m1(x1,…,xn) dan
m2(x1,…,xn) ?
Intuisi saya adalah bahwa, selain filter partikel, yang memang melanjutkan sepanjang memperkirakan Bayes faktor B12(x1,…,xn) satu pengamatan baru pada satu waktu, tidak ada cara alami menjawab pertanyaan ini.