Ülo Ennuste majandusartiklid

Bayes’i kiituseks

Bayes’i teoreemi rakendused laienevad: eriti makro-sotsiaal-küberneetika ja ökoloogilise statistika alale

Tõepoolest: parajasti nt Sciensedirect.com annab märksõnale „Bayesian“ üldiseks vastuseks üle saja tuhande osunduse (sic! tippteaduslikud kõgusaldusväärsed artiklid nt Rinderknecht et al.* kus usaldusväärsust tõstab nt ka autorite arv – kuus!) mis mõne klikiga kättesaadavad ning Amazon.com kümneid lehekülgi teadusmonograafiate loetelusid (enamuses ka Kindle formaadis mis samuti paari klikiga kättesaadavad nt populaarne bestseller algajatele mis palja silmaga nähtamatuid tõenäosuseid püüab Bayes’i  matemaatika abiga visualiseerida: Morris (2016)**. Ja ka Bayes’likkusega kaudselt seotud nagu nt üks hiljutine Nobelistide Akerlof&Shiller’i makromajanduslik läbimurdeuurimus*** mis juhib tähelpanu et e-kaubanduse (seega ka vist      e-residentsuse) laienemine toob kaasa petiste ning sulide tegevuse elavdamise koos kaasnevate nähtavate ning nähtamatude rahvuslike sotsiaalmajanduslike kaotuste ning krahhidega. Ka Eurostati hiljutistes publikatsioonide pealkirjades on vilksatanud nimi Bayes**** ja muidugi Google pakub arvukaid seotud populaarseid artikleid sh e.k.

Bayes’i printsiibi sajandite pikkuse ekspansiooni saladus seisneb eelkõige selles et selle teoreetilise valemi keerukamaks muutmiseks on siiani arenguruumi  – teiseks selles et rakendusteks on nii väga lihtsaid valemeid kui ka keerukamaid – kolmandaks sotsiaal-teaduste vallas selles et seoses sotsiaal-küberneetika levikuga administratiivsed rahvuslikud statistikad jäävad nappideks ja paratamatult tuleb puudvaid andmeid hakata looma nii et saaks rakendada aprioorseid ebamääraseid ning subjektiivseid/intuitiivseid tõenäosusi – neljandaks et 2oo7-2015 hübriidsõda intensiivistus eriti strateegilise kommunikatsiooni vallas ning nõudis stohhastilises operatsioonanalüüsis üleminekut elementaarselt klassikaliset tõenäosusteoorialt Bayes’likule tinglik-subjektiivsele tõenäosusele.

Lihtsustatud näiteid Bayes’likult subjektiivse aprioorse tõenäosuse integreerimisest analüüsidesse

Nt tekstide filtreerimisse: olgu teksti X kohta aprioorselt teada uskumus et selle teksti autori sulest tuleb tõenäosusega 0,3 oodata spämmi (S ehk teatavat liiki rämpsu) ja olgu samuti teada et tõenäosusega 0,7 selle teksti eelseisva analüüsi tulemuseks saab ilmselt olema vastuseks – „spämm“.

Bayes’i valemi järgi aposterioorne (analüüsi järgne) tinglik  tõenäosus et X on spämm on:

Pr (X/S)=Pr(X)Pr(S/X)/Pr(S) – kus Pr(S/X) on aprioorne tinglik tõenäosus et analüüsi tulemus on tõene: olgu see antud juhul 0,9: seega Pr((X/S)=0,3×0,9/0,7=0,4.

Ja nüüd jääb filtreerimise otsuseks üle vaadata et kas see tõenäosus ei ületa ette antud kriitilist piiri – nt kui selleks oli  0,7 – siis tekst X ei kuulu rämpsuks kvalifitseerimisele.

NB: mittetingliku tõenäosusliku käsitluse korral oleks analüüsi tulemuseks olnud „spämm tõenäosusega 0,9“ ehk X kuulub kindlat blokeerimisele – seega aprioorse tõenäosuse mängu toomine võimaldas käsitlust leevendada.

NBNB: Akerlof&Shiller’i järgi võib vist (sic!) mõttekaks osutuda küsimuse analüüsiks saatmine teatavale sulile – kui on suure kindlusega teada et see professionaalselt valetab (0,9) – ning seda teamist kasutada Bayes’i valemis nt: kui valetaja teatab  et X ei ole spämm siis valemisse panna vastupidine – seejuures aprioorne 0,9 peaks olema interpersonaalne hinnang et ebamäärast subjektiivsust piirata.

Nt vererõhu kontrollimine  väheusaldusväärse 0,9 aparaadiga: olgu aprioorne subjektiivne hinnang et parajasti ülemine rõhk ilmselt ületab kriitilist piiri 0,8 tõenäosusega – ning et aparaadi kontrollnäit saab olema et tõenäosus on 0.7 kriitiline piir ületatud – nüüd Bayes’liku vastava tingliku aposterioorse tõenäosuse suuruseks saame: 0,8×0,7/0,9=0,6 – seega muretsemiseks on nüüd vähem põhjust (0,6<0,8) ning mitte-Bayes’liku kontrolli puhul oleks tulemus olnud vastupidine (0,8<0,9).

 

Nt RB Projekti efektist nii rahvusliku sotsiaalkapitali kui ka rahvusliku heidutusvõime suurendamisele

Siin tuleb arvestada sellised regressoreid nagu: kaudseid sotsiaalmajanduslikke tulusid rahaliselt saaste vähenemisest ja globaalse kliimamuutuse leevendamisest, tulusid kauba- ja reisijateveo kiirenemisest ja õnnetuste vähenemisest maanteedel ning müra vähendamisest – aga mis veelgi tähtsam hübriidsõja tingimustes: rahvusliku heidutusvõime tõenäosuse suurenemisest seoses nt sellega et RB Projekt ei ole lokaalne vaid kogu EL/28 oluline projekt millega Kreml peab militaarse invasiooni kavade juures tõsiselt arvestama – ja seega seoses meie reokupeerimis manöövritega kaasnevate tohutute potentsiaalsete rahvuslike kaotuste tõenäosusi vähendama. Arusaadavalt kõigi nende faktorite rahalise arvestuste jaoks administratiivne statistika puudub ning vastavate võrreldavate tulude/kulude usaldusväärne hindamine (võrdlemiseks RB rajamiskuludega) on praktiliselt usaldusväärselt võimalik ainult Bayes’likult.

NB: kuid niivõrd suure projekti puhul ainult asjatundjate konsiiliumi intersubjektiivsetele aprioorsetele tõenäosustele tuginedes (Rinderknecht et al. (2014)) et mitte sattuda seoses Bayeslike järeldustega veelgi suuremasse ebamäärasusse. Asjatundmatutele loomulikult näib et taoline otsustamine toimub õhust võetud andmetega ja seega mõttetu – eriti nendele kes ei ole kuulnudki nt rahvuslikust sotsiaalkapitalist või „Beyond GDP“  statistikatest (vt nt:                           European Commission (February 2015) “What is the “Beyond GDP”:http://ec.europa.eu/environment/beyond_gdp/index_en.html)

 

*) Rinderknecht, Simon L.; Carlo Albert, Mark E. Borsuk, Nele Schuwirth, Hans R. Künsch, Peter Reichert (2014) „The effect of ambiguous prior knowledge on Bayesian model parameter inference and prediction“ – Environmental Modelling & Software 62 (2014) 300e315

 

Keywords:

Intersubjective knowledge

Imprecise probabilities

Interval probabilities

Robust Bayesian analysis

Density Ratio Class

Bayesian inference

Marginalization and prediction

a b s t r a c t

Environmental modeling often requires combining prior knowledge with information obtained from data. The robust Bayesian approach makes it possible to consider ambiguity in this prior knowledge. Describing such ambiguity using sets of probability distributions defined by the Density Ratio Class has important conceptual advantages over alternative robust formulations. Earlier studies showed that the Density Ratio Class is invariant under Bayesian inference and marginalization. We prove that (i) the Density Ratio Class is also invariant under propagation through deterministic models, whereas (ii) predictions of a stochastic model with parameters defined by a Density Ratio Class are embedded in a Density Ratio Class. These invariance properties make it possible to describe sequential learning and prediction under a unified framework. We developed numerical algorithms to minimize the additional computational burden relative to the use of single priors. Practical feasibility of these methods is demonstrated by their application to a simple ecological model.  © 2014 Elsevier Ltd. All rights reserved.

 

**) Morris, Dan (2016) Bayes Theorem: A Visual Introduction For Beginners (Amazon Kindle Edition, bestsellerhinnaga €3÷4).

***) Akerlof, Georg, Robert Shiller (2015) Phishing for Phools: The Economics of Manipulation and DeceptionISBN: 9781400873265 Princeton University Press, Princeton, NJ. (Kindle).

Ever since Adam Smith, the central teaching of economics has been that free markets provide us with material well-being, as if by an invisible hand. In Phishing for Phools, Nobel Prize–winning economists George Akerlof and Robert Shiller deliver a fundamental challenge to this insight, arguing that markets harm as well as help us. As long as there is profit to be made, sellers will systematically exploit our psychological weaknesses and our ignorance through manipulation and deception. Rather than being essentially benign and always creating the greater good, markets are inherently filled with tricks and traps and will “phish” us as “phools.”

Phishing for Phools therefore strikes a radically new direction in economics, based on the intuitive idea that markets both give and take away. Akerlof and Shiller bring this idea to life through dozens of stories that show how phishing affects everyone, in almost every walk of life. We spend our money up to the limit, and then worry about how to pay the next month’s bills. The financial system soars, then crashes. We are attracted, more than we know, by advertising. Our political system is distorted by money. We pay too much for gym memberships, cars, houses, and credit cards. Drug companies ingeniously market pharmaceuticals that do us little good, and sometimes are downright dangerous.

Phishing for Phools explores the central role of manipulation and deception in fascinating detail in each of these areas and many more. It thereby explains a paradox: why, at a time when we are better off than ever before in history, all too many of us are leading lives of quiet desperation. At the same time, the book tells stories of individuals who have stood against economic trickery—and how it can be reduced through greater knowledge, reform, and regulation.

****) Tongeren,  Jan W., van Ruud Picavet (2016) „Bayesian estimation approach in frameworks; integration of compilation and analysis“ In  EURONA — Eurostat Review on National Accounts and Macroeconomic Indicators: 7-49.

 

Advertisements

aprill 28, 2017 - Posted by | Uncategorized

Kommentaare veel pole.

Lisa kommentaar

Täida nõutavad väljad või kliki ikoonile, et sisse logida:

WordPress.com Logo

Sa kommenteerid kasutades oma WordPress.com kontot. Logi välja / Muuda )

Twitter picture

Sa kommenteerid kasutades oma Twitter kontot. Logi välja / Muuda )

Facebook photo

Sa kommenteerid kasutades oma Facebook kontot. Logi välja / Muuda )

Google+ photo

Sa kommenteerid kasutades oma Google+ kontot. Logi välja / Muuda )

Connecting to %s

%d bloggers like this: