二元事件预测的贝叶斯集成：何时适宜进行极端化或反极端化
统计方法学
2018-04-12 v2
摘要
许多组织面临依赖二元事件预测的临界决策。在这些情况下，组织常收集多个专家或模型的预测并平均那些预测以产生单一聚合预测。由于平均预测已知置信不足，已提出方法产生比平均预测更极端的聚合预测。但总是适合极端化平均预测吗？若否，何时适合反极端化（即使聚合预测不那么极端）？为回答这些问题，我们引入一类最优聚合器。这些聚合器是贝叶斯集成，因为它们源于专家所拥有底层信息的贝叶斯模型。每个集成是专家概率的广义加性模型，先将专家概率转换为其对应信息状态，然后线性组合这些信息状态，最后将组合信息状态转换回概率空间。通过分析，我们发现这些最优聚合器不总是极端化平均预测，且当它们极端化时，可能与现有方法背道而驰。在两个公开可用数据集上，我们证明这些新集成易拟合真实预测数据且比现有方法更准确。
引用
@article{arxiv.1705.02391,
title = {Bayesian Ensembles of Binary-Event Forecasts: When Is It Appropriate to Extremize or Anti-Extremize?},
author = {Kenneth C. Lichtendahl and Yael Grushka-Cockayne and Victor Richmond R. Jose and Robert L. Winkler},
journal= {arXiv preprint arXiv:1705.02391},
year = {2018}
}