О выборе в условиях статистической неопределенности

Существует класс задач выбора, особенностью которых является наличие неопределенности даже после того, как проведена серия наблюдений, измерений. Дело в том, что данные, полученные в результате эксперимента, связаны с интересующим нас аспектом явления не непосредственно, не однозначно, а в совокупности с другими, неконтролируемыми факторами.

СТАТИСТИЧЕСКИЕ РЕШЕНИЯ КАК ВЫБОР

Пусть, например, требуется знать высокоточное значение веса некоторого предмета. Неоднократное его взвешивание на аналитических весах даст хотя и близкие, но разные значения, так как на показания весов оказывают влияние не только вес самого взвешиваемого предмета, но и трение, неидеальность геометрической формы опорной призмы, течение струй воздуха, тепловой режим и т.д. Аналогично, при радиолокационном зондировании Луны в результате каждого измерения получают отличающиеся цифры для расстояния до нашего спутника, чему имеется множество причин. В таких задачах возникает нетривиальная проблема выбора, какое именно из значений интересующей нас величины принять за истинное – с учетом имеющихся данных.

Аналогичная ситуация – выбор в условиях статистической неопределенности – имеет место не только при оценке некоторой величины, но и при классификации объектов (чем болен пациент, если его состояние характеризуется такими-то данными анализов? На какой глубине находится нефть или вода, если в результате геофизической разведки получена некоторая совокупность чисел?), а также при необходимости подобрать математическую модель явления (на какую кривую лучше всего ложатся эти экспериментальные данные?) и при необходимости обнаружить какую бы то ни было закономерность (влияет ли солнечная активность на здоровье людей? С какими наблюдаемыми характеристиками жизни человека связана возможность заболевания шизофренией? Есть ли закономерность в том, как в течение 30 лет поражала молния опоры данной линии электропередачи?).

Во всех таких задачах есть общее – необходимость выбора на основании косвенных или прямых, но обязательно “зашумленных” данных. Основным, центральным, самым важным предположением для формализации решения таких задач является предположение о статистичности экспериментальных данных. Оно состоит в том, что связь между истинной, но неизвестной искомой альтернативой q (будем обозначать этой буквой любую закономерность, отыскиваемую в протоколе наблюдений, считая, что она принадлежит множеству Q возможных закономерностей, на котором и надо сделать выбор) и наблюдаемыми данными x ₁, x ₂,..., x_N адекватно описывается распределением вероятностей (например, функцией распределения F (x ₁,..., x_N | q) или, если x_i – непрерывные величины, а функция F дифференцируема, – плотностью вероятностей f (x _1,..., x_N | q)). Другими словами, считается, что, во-первых, выборка наблюдений принадлежит статистическому ансамблю всевозможных выборок, на котором задано распределение вероятностей, и, во-вторых, это распределение различно для разных q, что и обеспечивает наличие информации о q в выборке x ₁,..., x_N (см. гл. 5). Вопрос состоит в том, как извлечь эту информацию, т.е. как сделать выбор на множестве Q или как принять статистическое решение.

Естественно, напрашивается идея – свести задачу к уже решенной ранее. Такую возможность предоставляет теория “игр против природы” (см. § 7.6): выбор на Q и действительное состояние q природы можно в совокупности охарактеризовать функцией потерь l (, q), которую и рассматривать как платежную функцию игры. Использование такого представления в самом деле позволяет перенести ряд результатов теории игр в теорию статистических решений [5]. Однако одни статистические задачи не принадлежат к числу решенных задач теории игр, для других задач существуют более прямые и короткие способы решения, третьи имеют настолько сильно выраженную специфику обработки экспериментальных данных, что игровая терминология лишь “затемняет” суть дела; наконец, теория синтеза и анализа процедур для решения статистических задач – математическая статистика – начала развиваться задолго до возникновения теории игр, достигла значительных результатов и продолжает успешно развиваться самостоятельно. По этим причинам теоретико-игровой подход к статистике, сохраняя свое методологическое, междисциплинарное значение, не оказал существенного влияния на прикладную статистику.

ОБЩАЯ СХЕМА ПРИНЯТИЯ СТАТИСТИЧЕСКИХ РЕШЕНИЙ

Вернемся к рассмотрению черт, общих для задач выбора в условиях статистической неопределенности. Обстоятельства принятия статистических решений иллюстрирует схема, приведенная на рис.7.8 [33]. На этой схеме точкой q Î Q изображено то, что нам неизвестно, но необходимо определить; Q – множество всех предполагаемых возможностей относительно q. Точкой x Î X изображена выборка (протокол наблюдений) x = = (x ₁,..., x_N); X – множество всех возможных выборок. Тот факт, что на реализовавшееся значение выборки оказывает влияние не только искомая закономерность q, но и совокупность случайных факторов, изображен на схеме как результат совместного отображения q и некоторого случайного воздействия n в пространство X с помощью некоторого оператора?: x =?(q, n). Зная x, мы должны сделать выбор относительно q, принять решение, какую из множества альтернатив Q мы примем за истинную. Чтобы не путать принимаемое решение и “истинное” состояние q, обозначим пространство, на котором производится выбор, через Г. Очевидно, что в Г входят все элементы множества Q, но могут войти и дополнительные решения (типа отказа от выбора, требования увеличить число наблюдений или провести рандомизацию и т.п.). Процедура выбора изображена как действие некоторого оператора? над выборкой x: каждой выборке x этот оператор, называемый решающей функцией, ставит в соответствие решение??=? (x, i). Здесь аргумент i введен, во-первых, для того чтобы подчеркнуть, что одну и ту же выборку можно обрабатывать по-разному, получая решения различного качества, и, во-вторых, чтобы сделать акцент на том, что качество решения зависит не только от того, какой протокол обрабатывается, но и от того, какие априорные предположения вошли в структуру алгоритма.

7.8 ————— Общая схема принятия статистических решений

Итак, и проблема синтеза статистических процедур (построения решающих функций), и проблема анализа их качества (оценивания степени близости между? и?) тесно связаны с ролью априорной информации.

Определим конкретнее, что именно в статистике понимается под априорной информацией. В нее включают любые сведения, имеющиеся до того, как мы приступили к синтезу новой процедуры?, в том числе и любую информацию о природе наблюдений (но не саму выборку x, считающуюся информацией апостериорной). Конкретнее априорные сведения характеризуют: 1) пространство ситуаций?; 2) природу случайных факторов n; 3) оператор?, определяющий характер взаимодействия? и n; 4) пространство наблюдений X; 5) требования потребителя к качеству решений (нумерация та же, что и на рис. 7.8).

ПОНЯТИЕ ОБ ОСНОВНЫХ НАПРАВЛЕНИЯХ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

Априорная информация может быть более или менее полной и точной; в зависимости от этого по-разному ставятся и решаются статистические задачи выбора. Можно даже утверждать, что разным уровням априорной информации соответствуют различные специфические ветви математической статистики.

Самое полное описание случайного объекта состоит в задании распределения вероятностей на множестве возможных состояний этого объекта, поэтому наиболее подробное и полное задание априорной информации состоит в том, что считаются известными: распределение P (?),??Î?Q; условное распределение выборочных значений F (x | ??), x Î? X,??Î?Q; функция потерь l (?,?), выражающая отношение потребителя решений к расхождению между?, т.е. тем, что он должен использовать вместо истинного?, и действительным состоянием?. Такой уровень априорной информации соответствует байесову направлению статистики (Т. Байес – известный английский статистик). Среднее значение потерь l, связанное с конкретным алгоритмом? обработки наблюдений x, называемое байесовым риском R, принимается за меру качества этого алгоритма. Оптимальная в этом смысле процедура?* (также называемая байесовой) и считается наилучшим решением задачи:

Наибольшее количество споров относительно байесовых задач вызывала необходимость задавать априорное распределение P (?). Постулат Лапласа – Байеса, предлагающий при неизвестности P (?) считать его равномерным в Q, приводит к противоречиям в случае деформаций пространства Q [39, § 17]. Не помогает и предположение о том, что неизвестное P (?) принадлежит некоторому классу распределений, с тем чтобы взять в этом классе “наихудшее” распределение и для него найти байесову процедуру. Такая минимаксная процедура гарантирует, что “хуже не будет”, если только P (?) действительно входит в заданный класс.

Спор между сторонниками байесова подхода и его противниками можно считать историческим недоразумением. В конце концов было признано, что могут существовать и другие уровни априорной информации, для которых требуется создание своих методов синтеза процедур. Следующим уровнем стал отказ от необходимости знать P (?); на этом уровне в синтезе алгоритмов участвует только информация о семействе функций F (x |?). Оказалось, что если подставить в функцию плотности f (x |?) выборочные значения x ₁,..., x_N, и рассматривать ее зависимость от?, то такая зависимость L (? | x ₁,..., x_N) = f (x ₁,..., x_N |?) обладает замечательными свойствами, из-за которых ее и назвали функцией правдоподобия. Например, если? – неизвестный числовой параметр распределения, то является очень хорошей оценкой рассматриваемого параметра (этот метод оценивания называется методом максимального правдоподобия). В том случае, когда по выборке x ₁,..., x_N следует принять решение в пользу одной из конкурирующих гипотез H ₀ и H ₁, т.е. решить – это выборка из распределения с плотностью f (x | H ₀) или f (x | H ₁), лучшей процедурой является вычисление отношения правдоподобия f (x ₁,..., x_N | H ₁) / f (x ₁,..., x_N | H ₀) и выбор гипотезы H ₁, если это отношение превышает заданный порог, и гипотезы H ₀, если ниже его. В рамках этого уровня возможны и другие методы принятия статистических решений; обычно их использование вызвано соображениями простоты реализации, но по качеству получаемых с их помощью решений они не превосходят процедур, основанных на функции правдоподобия.

BA Y ESIAN RISK байесов риск SAMPLE выборка NON-PARAMETRIC непараметрический DECISION решение LIKELIHOOD FUNCTION функция правдоподобия     Так как вся информация о случайном объекте содержится в его распределении вероятностей, то любая статистическая задача, по существу, может быть сведена к выбору определенного распределения из некоторого множества распределений. Априорная информация для такого выбора выражается некоторым функционалом от распределения, значение которого надо оценить. Апостериорная информация для этого содержится в выборке. Различные предположения о том, что именно известно о природе выборки, порождают различные ветви математической статистики.

Априорное знание функции F (x |?) не всегда достижимо, и возникает вопрос, как осуществить выбор, если F (x |?) неизвестно. Если оставаться в рамках параметрических моделей, то можно снова рассмотреть класс распределений и воспользоваться минимаксной методикой. Подобные алгоритмы также используются в статистике и дают хорошие результаты в рамках принятых предположений. Как и в аналогичном расширении класса байесовых задач, о свойствах процедур минимаксного правдоподобия можно говорить, только если имеется уверенность, что реальные распределения действительно находятся в заданном классе.

Можно сразу и полностью отказаться от необходимости знать распределение F (x), конечно, не от того, что выборка подчинена какому-то, пусть неизвестному, но существующему распределению: предположение о статистичности наблюдений остается в силе. Такая позиция соответствует новому уровню априорной информации и новому направлению в статистической теории и практике – непараметрической статистике*.

Незнание функционального вида распределения не означает, что вообще ничего неизвестно о распределении и о свойствах выборки. То, что все-таки мы знаем, и служит основой для построения непараметрических процедур, решающих задачу выбора в этих условиях. Информация, не делающая известной функцию распределения, но полезная для принятия решения, может быть весьма разнообразной. Например, мы можем знать, что распределение непрерывно или симметрично (в частности, при измерении физических полей); из природы явления можно узнать некоторые числовые характеристики – моменты, квантили (так, для сигналов в ряде технических систем известна их мощность); обычно известно, чем отличаются альтернативы, из которых следует выбирать (скажем, если новый метод диагностики эффективен, то процент верных диагнозов должен существенно превышать процент случайных угадываний); иногда даже неизвестно, чем именно будут различаться альтернативы, просто известен факт, что они чем-нибудь отличаются (как в задачах проверки правильности теоретических моделей). Все подобные сведения могут быть использованы при синтезе решающей процедуры.

Имеется несколько подходов к синтезу непараметрических процедур. Кроме эвристического, изобретательского подхода (часто достаточно удачного, но всегда оставляющего место для сомнений) развиваются и теоретически обоснованные подходы. Например, теория инвариантности [11; 20] предлагает методы, использующие свойства симметрии некоторых задач. Большой универсальностью обладает метод интерпретации статистик как функционалов от оценок распределений. Этот метод основан на двух следующих идеях. Во-первых, всякая (или почти всякая) статистическая задача может быть сведена к выбору значения некоторого функционала J (F) от неизвестного распределения F (x) (главной трудностью этого метода является построение функционала, содержащего всю априорную информацию, имеющуюся в постановке задачи [12]. Например, в задачах сравнения двух распределений необходимо построить удачную меру их различия J (F, G)). Во-вторых, оценку интересующего нас функционала (т.е. выбор альтернативы) предполагается получать, подставляя в него вместо неизвестных распределений их непараметрические (т.е. не использующие знание их функционального вида) оценки этих распределений. Хотя при этом можно использовать разные оценки одного и того же распределения, что позволяет иметь несколько процедур решения одной задачи, сами процедуры часто возможно сравнивать теоретически и решать, в каких условиях одна лучше другой.

Переходя с одного уровня априорной информации на другой, отказываясь от учета недоступной информации, мы в результате получаем в общем случае решения все более “низкого” качества: байесовы процедуры лучше процедур правдоподобия, которые, в свою очередь, обычно лучше непараметрических. Однако, во-первых, это отношение нестрогого порядка (в некоторых задачах непараметрические процедуры не хуже байесовых), а во-вторых, и это главное, такое упорядочение верно только при верной априорной информации. В случае неверной априорной информации ситуация резко меняется: чем меньше априорной информации заложено в процедуре, тем слабее ухудшает решение ее ложность. Именно поэтому непараметрические процедуры часто оказываются предпочтительнее остальных.

Все же полный отказ от знания распределений выглядит как чересчур сильная реакция на слишком жесткие требования параметрической статистики. Существует множество практических ситуаций, в которых мы не знаем распределения точно, но знаем его приблизительно. В таких случаях применение непараметрических процедур равносильно отказу от этой хотя и неточной, но правильной и поэтому полезной информации. В последние годы развивается новая ветвь математической статистики, соответствующая такому уровню априорной информации, – робастная статистика* [40]. Ее основная идея состоит в том, чтобы несколько поступиться оптимальностью на точно задаваемом опорном распределении, но зато обеспечить некоторый гарантированный уровень качества решения на всех других распределениях, лежащих в окрестности опорного решения. Математическая сторона этого вопроса связана с теорией непрерывности и дифференцируемости функционалов от распределений и требует соответствующих знаний, но в ряде случаев получаемые алгоритмы легко воспринимаются и на уровне здравого смысла. Например, для получения робастных оценок среднего рекомендуется вычислять среднее арифметическое, отбросив из выборки самое большое и самое малое наблюдения. Именно так и поступают при определении средней урожайности за несколько лет; аналогично начисляют баллы в фигурном катании. Конечно, это простейший случай, когда требуется обеспечить устойчивость к случайным и не относящимся к делу отклонениям, таким, как субъективное оценивание или нетипичные погодные условия. Теория робастных процедур дает рекомендации и в более сложных условиях [40]. Еще один вариант, при котором распределения изначально считаются задаваемыми интервалами, а не точными значениями, только начал развиваться.

ПРАВИЛА “СТАТИСТИЧЕСКОЙ ТЕХНИКИ БЕЗОПАСНОСТИ”

В предыдущих параграфах установлено, что любой вариант задачи выбора сопряжен со сложностями, парадоксами, “ловушками” и опасностями, когда теоретические методы применяются на практике. Не является исключением и выбор в условиях статистической неопределенности. Неудачное или неправильное применение статистических методов к решению реальных проблем дало повод к появлению довольно зловещей шутки: “Есть три вида лжи – просто ложь, наглая ложь и статистика”.

Причины неправильного применения статистических методов немногочисленны, и их знание совершенно необходимо. Перечень условий, связанных с отрицательными последствиями использования статистических решений, можно рассматривать как своего рода “инструкцию по технике статистической безопасности”.

1. Статистический вывод по своей природе случаен, он может иметь высокую надежность и точность, но почти никогда не может быть абсолютно достоверным. В статистике этот факт и не скрывается, каждая процедура сопровождается характеристикой ее качества: оценка параметра имеет фиксированную точность (задаваемую, например, дисперсией); принятие одной из гипотез связано с вероятностями ошибок, сообщаемыми пользователю заранее. Когда необходимо ужесточить требования к качеству, это обычно можно сделать увеличивая объем выборки. Итак, статистический вывод может быть ошибочным, но мы можем варьировать характеристики этих ошибок (в пределах наличных ресурсов).

2. Качество решения на выходе статистической процедуры зависит от того, что подается на ее вход.

Известны случаи, когда проспавший лаборант утром сам сочинял “протокол” ночных наблюдений и измерений; когда в таблицы и протоколы вносились “поправки”, угодные лицу, не заинтересованному в истине, и т.д. Ясно, что статистическая обработка таких “данных” выдаст некий результат, но стоит ли обвинять статистику в его качестве?

3. Следующий, более сложный случай – добросовестное заблуждение относительно статистичности серии наблюдений, когда этого на самом деле нет. Тутубалин [36] приводит много примеров, когда статистической обработке подвергались данные, вообще не имеющие статистической природы. Иногда этот факт трудно проверить, особенно при небольших объемах выборки. Этому моменту следует уделять специальное внимание при организации экспериментов, а при малейшем сомнении не полагаться на “паспортные” характеристики качества процедуры, относиться к результатам обработки как к ориентировочным данным, как к поводу для дальнейших исследований.

4. Утрата ожидаемого качества статистических решений может быть следствием использования процедуры, не соответствующей действительному уровню априорной информации (например, применение дисперсионного анализа к негауссовым данным). Если “действительный” уровень априорной информации не очень ясен, то полезно обработать данные несколькими способами. Расхождение выводов должно стать сигналом к поиску причин расхождения. Следует остерегаться принимать решение “голосованием процедур”, так как опасность нетранзитивности (см. § 7.5) – свойство голосования вообще, а не только голосования людей.

Нарушение априорных предположений может происходить довольно неожиданным образом. Поучителен пример из реальной жизни: непараметрическая процедура классификации была “обучена” эффективно распознавать нефтяные слои от водяных по геофизическим данным одного месторождения. Внедренная на другом, соседнем месторождении нефти программа стала давать слишком большие вероятности ошибок распознавания: непараметричность процедуры не означает, что на выборках из другого распределения она сохранит те же свойства.

5. Причиной необоснованных претензий к статистике может служить неверная содержательная интерпретация правильного статистического вывода. Например, одно из английских статистических исследований прошлого века установило, что здоровье людей, носящих котелки, значительно лучше здоровья мужчин в кепках; в другом случае оказалось, что главным фактором, влияющим на различие в урожайности клевера в соседних деревнях, было... число старых дев. Таким (и подобным) правильным выводам можно придать совершенно разный смысл. (Кстати, оказалось, что английские старые девы держат по нескольку кошек, а мыши любят разорять гнезда шмелей – основных опылителей клевера.) Действительные причины обнаруженной статистической связи могут оставаться неясными. Например, новосибирские статистики установили очень сильную статистическую связь между урожайностью зерна в данном году и яйценоскостью кур. Интерпретация зависимостей лежит вне статистики, и за неправильную интерпретацию нельзя осуждать саму статистику.

Несмотря на все предосторожности, как и в любой практической деятельности, в статистической практике возможны нарушения правил безопасности и неизбежны связанные с этим потери. Видимо, именно поэтому юристы одной крупной фирмы, поставляющей очень развитую программную систему для статистического анализа на ЭВМ, включили в договор о поставке этой системы пункт о том, что “фирма не несет ответственности за возможный ущерб от использования данной системы”.

Подведем итог Неопределенность в статистических задачах имеет “двухэтажную” природу. Наблюдаемые данные подчинены конкретному вероятностному распределению, и связанная с этим распределением неопределенность образует “первый этаж”. Имеется и другая неопределенность относительно того, какое же именно распределение из некоторого множества порождало экспериментальные данные. Эту-то “вторую” неопределенность и требуется снять, осуществив выбор на данном множестве альтернативных распределений. Алгоритм такого выбора самого распределения (или значения некоторого его признака) называется статистической процедурой. Использование статистических выводов сопряжено с определенными сложностями, “ловушками”, опасностями, риском; требуется знание и соблюдение правил “статистической безопасности”.

Summary Uncertainty in statistical problems occurs on two “levels”. Observed data are generated from a definite probability distribution, and uncertainty of the latter forms the first “level”. There is also another form of uncertainty – that of which particular distribution from a certain set of distributions is the “parent” of the sample. Ultimately this “second” uncertainty is removed by making a choice from the given set of alternative distributions. An algorithm of this choice of a distribution (or of its characteristic value) is called a statistical procedure. The practical use of statistical procedures is accompanied by difficulties, pitfalls, dangers, and risks; knowledge of and compliance with certain “rules of statistical safety” are also needed.

⇐ Предыдущая15161718192021222324Следующая ⇒

Поделиться:

Воспользуйтесь поиском по сайту: