Maximum Likelihood vs Inferensi Bayesian dalam Keuangan
Bandingkan maksimisasi likelihood dengan pembaruan posterior, termasuk prior, MAP, ketidakpastian, regularisasi, prediksi, salah spesifikasi model, dan sensitivitas rezim keuangan
Jawaban langsung
Maximum Likelihood memilih nilai parameter yang membuat data teramati paling mungkin di bawah model tertentu. Inferensi Bayesian menggabungkan likelihood yang sama dengan prior untuk memperoleh distribusi posterior atas parameter dan prediksi. Tidak satu pun dari kedua metode memperbaiki likelihood yang keliru, rezim yang tidak stabil, bias seleksi, atau data yang buruk
Kedua metode dimulai dari model probabilitas
Untuk data y dan parameter θ, likelihood L(θ;y)=p(y|θ) memandang densitas sampling sebagai fungsi θ dengan y tetap
Likelihood bukan probabilitas bahwa θ benar, dan mengalikannya dengan konstanta yang tidak bergantung pada θ tidak mengubah perbandingan likelihood
Proses observasi, dependensi, penyensoran, biaya transaksi, dan mekanisme data hilang harus masuk ke model sebelum estimasi dimulai
Maximum Likelihood memilih satu titik
MLE θ̂ memaksimalkan L atau log L dan sering memiliki konsistensi, normalitas asimtotik, serta efisiensi di bawah keteraturan dan spesifikasi yang benar
Kurvatur, profile likelihood, estimator sandwich, atau metode bootstrap dapat mengukur ketidakpastian di sekitar estimasi titik
Parameter batas, identifikasi lemah, multimodalitas, sampel kecil, dan ekor berat dapat membuat standard error asimtotik tidak andal
Inferensi Bayesian memperbarui distribusi
Aturan Bayes memberikan p(θ|y)∝p(y|θ)p(θ), dengan menggabungkan likelihood dan prior yang harus proper atau memiliki pembenaran matematis lain
Ringkasan posterior dapat mencakup mean, median, interval kredibel, probabilitas ekor, dan distribusi lengkap ukuran risiko turunan
Posterior bersyarat pada model dan prior; posterior bukan bukti tanpa syarat bahwa proses pembangkit data telah ditemukan
MAP bukan keseluruhan jawaban Bayesian
Estimasi maximum a posteriori memaksimalkan log likelihood ditambah log prior dan dapat menyerupai optimisasi berpenalti
MAP berubah di bawah reparameterisasi nonlinear karena mode densitas bergantung pada koordinat, sedangkan probabilitas posterior berubah secara koheren
Mengurangi inferensi Bayesian menjadi satu titik MAP membuang ketidakpastian parameter dan dapat membuatnya tampak lebih mirip MLE daripada kenyataannya
Prior dan penalti mengodekan asumsi
Prior yang lemah-informatif dapat menstabilkan parameter yang tidak stabil, menegakkan skala yang masuk akal, dan mencegah wilayah yang mustahil
Penalti frequentist dapat memberikan penyusutan numerik serupa tanpa menafsirkan penalti sebagai distribusi probabilitas
Sensitivitas terhadap keluarga prior, hyperparameter, kendala, dan parameterisasi harus dilaporkan, bukan disembunyikan di balik default
Keuangan memperbesar risiko model dan rezim
Sejarah pendek, krisis langka, volatilitas laten, nonstasioneritas, dan mikrostruktur pasar yang berubah membuat informasi asimtotik menjadi langka
Posterior dapat menjadi sempit namun keliru jika likelihood kaku memperlakukan perubahan struktural sebagai banyak observasi yang mengonfirmasi
Estimasi bergulir, pooling hierarkis, dinamika state-space, likelihood robust, dan model break eksplisit menangani masalah serta asumsi yang berbeda
Prediksi adalah perbandingan yang paling adil
Evaluasi distribusi prediktif pada periode masa depan yang benar-benar ditahan menggunakan skor log, kalibrasi, cakupan, kerugian ekor, dan utilitas keputusan
Untuk model Bayesian, periksa perilaku prediktif prior dan posterior, diagnostik konvergensi, ukuran sampel efektif, serta sensitivitas
Untuk setiap metode, bandingkan likelihood dan rezim alternatif karena konvergensi komputasi bukan validasi statistik
Pertanyaan umum
Apa itu Maximum Likelihood Estimation?
Metode ini memilih nilai parameter yang membuat model yang ditentukan memberikan likelihood terbesar pada data teramati
Apa yang ditambahkan inferensi Bayesian?
Metode ini menggabungkan likelihood dengan prior dan menghasilkan distribusi posterior untuk parameter, prediksi, serta kuantitas turunan
Apakah estimasi MAP sama dengan MLE?
Hanya dengan prior datar pada parameterisasi yang dipilih; secara umum MAP memasukkan prior dan bergantung pada koordinat
Apakah inferensi Bayesian selalu lebih baik dengan data sedikit?
Tidak. Prior dapat menstabilkan data yang lemah, tetapi prior yang buruk atau likelihood yang salah spesifikasi juga dapat menghasilkan kesalahan yang tampak pasti