Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Russo Ihps Oct07 Objectivebayesianism

  • Login to see the comments

  • Be the first to like this

Russo Ihps Oct07 Objectivebayesianism

  1. 1. Qu’est-ce que le bayésianisme objectif? Federica Russo Université catholique de Louvain
  2. 2. Dans cet exposé: <ul><li>Le calcul de la probabilité </li></ul><ul><ul><li>Axiomes, Conséquences, et Théorème de Bayes </li></ul></ul><ul><li>Interprétations du calcul </li></ul><ul><ul><li>Classique/Logique </li></ul></ul><ul><ul><li>Fréquentiste/Propensionnelle </li></ul></ul><ul><ul><li>Bayésienne </li></ul></ul><ul><li>Le bayésianisme </li></ul><ul><ul><li>Comme position épistémologique </li></ul></ul><ul><ul><li>Comme interprétation de la probabilité </li></ul></ul><ul><li>Bayésianisme s </li></ul><ul><ul><li>Subjectif </li></ul></ul><ul><ul><li>Empiriquement basé </li></ul></ul><ul><ul><li>Objectif </li></ul></ul><ul><li>Applications </li></ul><ul><ul><li>En epidemiologie du cancer </li></ul></ul><ul><ul><li>En modélisation causale </li></ul></ul>
  3. 3. Le calcul de la probabilité <ul><li>Axiomes </li></ul><ul><ul><li>Soit S un ensemble d’énoncés et P une fonction qui satisfait aux axiomes de Kolmogorov: </li></ul></ul><ul><ul><ul><li>1. P(A)  0 </li></ul></ul></ul><ul><ul><ul><li>P(A) =1 </li></ul></ul></ul><ul><ul><ul><li>si A est vrai dans tout modèle </li></ul></ul></ul><ul><ul><ul><li>3. P(A  B)= P(A) + P(B) </li></ul></ul></ul><ul><ul><ul><li>si A, B sont mutuellement exclusifs </li></ul></ul></ul>
  4. 4. <ul><li>Conséquences: </li></ul><ul><li>a. P (  A) = 1  P (A) </li></ul><ul><li>b. P (A) = P (B) si dans tout mod èle A  B </li></ul><ul><li>c. P (A  B) = P (A) + P (B)  P (A  B) </li></ul><ul><li>Probabilité Conditionnelle: </li></ul><ul><li>P (A | B) = P (A  B) / P (B) if P (B)  0 </li></ul><ul><li>Théorème de Bayes: </li></ul><ul><li>P (B | A) = P (A | B) P (B) / P (A) </li></ul>
  5. 5. <ul><li>Indépendence unconditionnelle: </li></ul><ul><li>A et B sont unconditionnellement indépendents ssi </li></ul><ul><li>P (A | B) = P (A) ou </li></ul><ul><li>P (A | B) = P (B) ou </li></ul><ul><li>P (A | B) = P (A) P (B) </li></ul><ul><li>Indépendence conditionnelle: </li></ul><ul><li>A est conditionnellement independent de B si C ssi </li></ul><ul><li>P (A | B  C) = P (A | C) </li></ul>
  6. 6. Interprétations de la probabilité <ul><li>Classique/Logique </li></ul><ul><ul><li>Proba: rapport entre le nombre de cas favorables </li></ul></ul><ul><ul><li>et le nombre de cas possibles </li></ul></ul><ul><li>Subjective </li></ul><ul><ul><li>Proba: expression quantitative du degrée </li></ul></ul><ul><ul><li>de croyance, support ou confirmation </li></ul></ul><ul><li>Objective </li></ul><ul><ul><li>Proba: expression quantitative d’une </li></ul></ul><ul><ul><li>charactéristique objective du monde </li></ul></ul>
  7. 7. Interprétations de la probabilité Une classification alternative <ul><li>Classique/Logique </li></ul><ul><li>Physique </li></ul><ul><ul><li>Fréquentiste </li></ul></ul><ul><ul><li>Propensionnelle </li></ul></ul><ul><li>Bayésienne </li></ul><ul><ul><li>Subjective </li></ul></ul><ul><ul><li>Empiriquement basée </li></ul></ul><ul><ul><li>Objective </li></ul></ul>
  8. 8. Interprétation classique <ul><li>Laplace, Pascal, Bernoulli (Jakob) </li></ul><ul><li>La proba est le rapport entre </li></ul><ul><li>le nombre de cas favorables et </li></ul><ul><li>le nombre de cas possibles. </li></ul><ul><li>Pensez au jeu de dés </li></ul><ul><li>Proba assignée en absence de « evidence » </li></ul><ul><li>Equipossibilité, ou le Principe d’indifférence </li></ul><ul><li>de Keynes </li></ul>
  9. 9. Interprétation logique <ul><li>Généralisation de </li></ul><ul><li>l’interprétation classique </li></ul><ul><li>Basée sur le principe d’indifférence </li></ul><ul><li>Donne un « account » le plus général </li></ul><ul><li>possible du degré de support </li></ul><ul><li>ou de confirmation </li></ul><ul><li>Pensez à la fonction c de Carnap </li></ul>
  10. 10. Interprétation fréquentiste <ul><li>La proba d’un attribut A dans une classe de référence finie B est la fréquence rélative de la recurrence de A en B (Venn) </li></ul><ul><li>Extension aux classes de références infinies par la limite de la fréquence (von Mises, Reichenbach) </li></ul>
  11. 11. Interprétation propensionnelle <ul><li>La probabilité est dans le monde, </li></ul><ul><li>non pas dans notre t ête … </li></ul><ul><li>La proba est une propension, disposition </li></ul><ul><li>ou tendence d’une situation physique </li></ul><ul><li>de délivrer un certain résultat ou </li></ul><ul><li>une fréquence </li></ul><ul><li>Popper voulez rendre compte </li></ul><ul><li>des probabilités en mécanique quantique </li></ul>
  12. 12. Bayésianisme <ul><li>Une position épistémologique sur le raisonnement scientifique </li></ul><ul><ul><li>Le raisonnement scientifique se fait en accord </li></ul></ul><ul><ul><li>avec le calcul de la probabilité </li></ul></ul><ul><ul><li>Cette position permet d’apprendre </li></ul></ul><ul><ul><li>de l’expérience (par conditionnalisation) </li></ul></ul><ul><ul><li>Le système formel impose des contraintes </li></ul></ul><ul><ul><li>sur les probabilités </li></ul></ul>
  13. 13. Bayésianisme <ul><li>Une interprétation de la probabilité </li></ul><ul><ul><li>Les probas sont des degrés </li></ul></ul><ul><ul><li>de croyance rationnelle </li></ul></ul><ul><ul><li>Differents bayesianimes sont </li></ul></ul><ul><ul><li>en désaccord sur comment former </li></ul></ul><ul><ul><li>ces degrés de croyance </li></ul></ul>
  14. 14. Bayésianisme subjectif <ul><li>Probabilités et paris: </li></ul><ul><ul><li>Les probas sont les quotients de pari </li></ul></ul><ul><ul><li>Un pari hollandais est une serie de paris: </li></ul></ul><ul><ul><li>(i) singulièrement acceptables par le parieur </li></ul></ul><ul><ul><li>(ii) collectivement portent à une perte, quoi qu’il arrive </li></ul></ul><ul><li>Statique de l’opinion: </li></ul><ul><ul><li>Si les degrés de croyance du parieur ne respettent pas les axiomes, le parieur est susceptible du pari hollandais </li></ul></ul><ul><ul><li>Si les degrés de croyance du parieur respettent les axiomes, le parieur n’est pas susceptible du pari hollandais </li></ul></ul><ul><li>Cinématique de l’opinion: </li></ul><ul><ul><li>La conditionnalisation est la seule règle cohérente pour mettre à jour les probas </li></ul></ul><ul><li>Obéissance au calcul est condition nécessaire et suffisante </li></ul><ul><li>pour la rationnalité </li></ul>
  15. 15. Problème… <ul><li>Aribitrarieté: </li></ul><ul><li>Deux sujets avec les m ê mes infos </li></ul><ul><li>Peuvent choisir des probas différentes, </li></ul><ul><li>tout en étant rationnels </li></ul>Solution… Le bayésianisme empiriquement basé et objectif imposent d’autres contraintes sur les probas
  16. 16. Bayésianisme empiriquement basé <ul><li>Ajouter la contrainte « empirique »: </li></ul><ul><ul><li>Les degrés de croyance se forment </li></ul></ul><ul><ul><li>à partir des fréquences connues </li></ul></ul>
  17. 17. Bayésianisme objectif <ul><li>Ajouter la contrainte empirique et </li></ul><ul><li>la contrainte logique: </li></ul><ul><ul><li>En présence d’infos empiriques, e.g. fréquences, </li></ul></ul><ul><ul><li>celles-ci doivent ê tre incorporées </li></ul></ul><ul><ul><li>En absence de toute infos, il faut être </li></ul></ul><ul><ul><li>le plus ambigu possible, c-à-d, </li></ul></ul><ul><ul><li>les probas tendent vers la valeure moyenne </li></ul></ul>
  18. 18. Contraintes empiriques <ul><li>Principe de vérité </li></ul><ul><ul><li>Si un sujet sait que u est vrai, son degré </li></ul></ul><ul><ul><li>de croyance en u , P( u ) = 1 </li></ul></ul><ul><li>Principe de calibration </li></ul><ul><ul><li>Si un sujet connaît que la « chance » de u est P*( u ), </li></ul></ul><ul><ul><li>son degré de croyance en u devrait être P( u )=P*( u ) </li></ul></ul><ul><li>Connaissance des fréquences </li></ul><ul><ul><li>Si un sujet sait que la fréquence relative </li></ul></ul><ul><ul><li>d’un événement est r , son degré de croyance </li></ul></ul><ul><ul><li>que le prochain cas se produira est r </li></ul></ul>
  19. 19. Contraintes logiques <ul><li>Une extension du principe d’indifférence </li></ul><ul><li>Principe d’entropie maximale </li></ul><ul><ul><li>Un sujet doit adopter, parmi toutes les fonctions </li></ul></ul><ul><ul><li>de probabilité qui satisfont aux contraintes </li></ul></ul><ul><ul><li>imposées par sa connaissance d’arrière plan, </li></ul></ul><ul><ul><li>une fonction P qui maximise l’entropie </li></ul></ul>
  20. 20. Quels avantages? <ul><li>Pas d’arbitrarieté </li></ul><ul><li>Contenu empirique </li></ul><ul><li>Plusieurs source de « evidence » </li></ul>
  21. 21. En résumé: <ul><li>Selons les bayésiens les probas doivent </li></ul><ul><li>satisfaires aux axiomes du calcul </li></ul><ul><li>Example: </li></ul><ul><ul><li>A= demain il va plevoir à Paris </li></ul></ul><ul><ul><li>P(A) est un degré de croyance en A </li></ul></ul><ul><ul><li>Alors, P(A)+P(  A)=1 </li></ul></ul><ul><ul><li>Je connai s seulement la probabilité physique </li></ul></ul><ul><ul><li>(fréquence ou propension) de A, </li></ul></ul><ul><ul><li>disons que cette proba est entre .2 et .3 </li></ul></ul>
  22. 22. En résumé: <ul><li>Bayésien subjectif </li></ul><ul><ul><li>Je peux choisir toute valeur de proba entre 0 et 1 </li></ul></ul><ul><li>Bayésien empiriquement basé </li></ul><ul><ul><li>Mon degré de croyance doit ê tre basé </li></ul></ul><ul><ul><li>sur ma connaissance empirique, </li></ul></ul><ul><ul><li>donc je dois choisir entre .2 et .3, </li></ul></ul><ul><ul><li>toute valeur sera acceptée </li></ul></ul><ul><li>Bayésien objectif </li></ul><ul><ul><li>Mon degré de croyance doit être basé </li></ul></ul><ul><ul><li>sur la connaissance empirique et </li></ul></ul><ul><ul><li>doit être les plus ambigu possible. </li></ul></ul><ul><ul><li>.3 est la valeure qui approche le plus .5 </li></ul></ul>
  23. 23. Desiderata: que voulons-nous d’une inteprétation? <ul><li>Objectivité </li></ul><ul><ul><li>Rendre compte de l’objectivité de la proba </li></ul></ul><ul><li>Calculi </li></ul><ul><ul><li>Expliquer comment raisonner sur la proba </li></ul></ul><ul><li>Épistémologie </li></ul><ul><ul><li>Expliquer comment connaître la proba </li></ul></ul><ul><li>Variété </li></ul><ul><ul><li>Faire face à la grande varieté d’énoncés probabilistes </li></ul></ul><ul><li>Parcimonie </li></ul><ul><ul><li>Être ontologiquement parcimonieux </li></ul></ul>
  24. 24. Application: épidémiologie du cancer <ul><li>Problème: </li></ul><ul><li>l’épidémiologie a un double objectif </li></ul><ul><ul><li>Établir un énoncé générique </li></ul></ul><ul><ul><ul><li>Les non-fumeurs ont un risque majeur (25%) de développer le cancer du poumon si leurs épouses sont des fumeurs </li></ul></ul></ul><ul><ul><li>Établir un énoncé singulier </li></ul></ul><ul><ul><ul><li>Michelle a un cancer du sein métastatique et elle survivra plus de 5 ans avec un probabilité de 0.4 </li></ul></ul></ul><ul><li>Ces deux énoncés sont probabilistes </li></ul>
  25. 25. On marchande …   Parcimonie    Variété      Epistémologie   Calculi     Objectivité Bayes Obj Bayes Emp- Basé Bayes Subj Freq Prop Class/ Log
  26. 26. Vendu! <ul><li>Fréquentisme- cum -Bayésianisme objectif </li></ul><ul><ul><li>Le pluralisme est une option faisable </li></ul></ul><ul><ul><ul><li>Énoncés génériques requièrent </li></ul></ul></ul><ul><ul><ul><li>une interprétation fréquentiste </li></ul></ul></ul><ul><ul><ul><li>Énoncés singuliers requièrent </li></ul></ul></ul><ul><ul><ul><li>une interprétation bayesienne objective </li></ul></ul></ul><ul><ul><li>Le bayésianisme objectif a des vertus </li></ul></ul><ul><ul><li>pragmatiques </li></ul></ul>
  27. 27. Application: modélisation causale  54  4  13  34  12  2 X 1 Economic development X 2 Social development X 3 Sanitary infrastructures X 4 Use of sanitary infrastructures X 5 Age structure Y Mortality
  28. 28. Probas bayésiennes objectives <ul><li>Intuitivement: </li></ul><ul><li>Les résultats d’un modèle causal expriment une croyance (rationnelle) « evidence-based » sur des relations causales </li></ul><ul><li>Bayésianisme, basé empiriquement ou bayésianisme objectif </li></ul>
  29. 29. Test d’hypothèse <ul><li>Idée de base: </li></ul><ul><li>comparer l’hypothèse avec les observations </li></ul><ul><li>Éléments du test: </li></ul><ul><ul><li>Hypothèse nulle: la variation observée est aléatoire </li></ul></ul><ul><ul><li>Hypothèse alternative: la variation observée est réelle </li></ul></ul><ul><ul><li>Statistique de test </li></ul></ul><ul><li>L’hypothèse nulle est acceptée ou rejetée </li></ul><ul><li>selon la valeur-p chosie </li></ul>
  30. 30. Interprétation des probas <ul><li>D’un point de vue fréquentiste: </li></ul><ul><ul><li>Nous évaluons la proba d’obtenir </li></ul></ul><ul><ul><li>l’échantillon si l’hypothèse est vraie </li></ul></ul><ul><ul><li>« la probabilité de l’hypothèse » n’a pas de sens </li></ul></ul><ul><ul><li>car c’est un événement unique </li></ul></ul><ul><li>D’un point de vue bayésien: </li></ul><ul><ul><li>Nous pouvons évaluer la probabilité </li></ul></ul><ul><ul><li>d’une hypothèse </li></ul></ul>
  31. 31. Example <ul><li>« le paramètre inconnu  se trouve dans l’intervalle </li></ul><ul><li>(  1 ,  2 ) , niveau de confiance 95%» </li></ul><ul><li>Ce n’est pas la proba du paramètre! </li></ul><ul><li>Si on tire nombreux échantillons de la même taille et </li></ul><ul><li>on construit les mêmes intervalles autour de  , </li></ul><ul><li>on peut s’attendre que 95% des intervalles contiennent  </li></ul><ul><li>Le fréquentiste ne peut pas évaluer la proba </li></ul><ul><li>de l’hypothèse elle-même </li></ul>
  32. 32. Hypothèse nulle contre hypothèse alternative <ul><li>On test l’hypothèse nulle contre </li></ul><ul><li>l’hypothèse alternative </li></ul><ul><li>Acceptation ou rejet concernent directement </li></ul><ul><li>l’hypothèse nulle et in directement </li></ul><ul><li>l’hypothèse alternative </li></ul><ul><li>Sous l’interprétation bayésienne objective </li></ul><ul><li>les 2 hypothèses sont tout aussi probable, </li></ul><ul><li>au moins que « evidence » n’indique le contraire </li></ul>
  33. 33. La réponse du fréquentiste <ul><li>Les 2 hypothèses ne peuvent pas être traitées </li></ul><ul><li>de la même manière: </li></ul><ul><ul><li>Il est plus grave d’accepter l’hypothèse alternative </li></ul></ul><ul><ul><li>quand elle est fausse </li></ul></ul><ul><ul><li>que de rejeter l’hypothèse nulle quand elle est vraie </li></ul></ul><ul><li>Le fréquentiste doit limiter sa région de rejet </li></ul><ul><li>pour restreindre la probabilité </li></ul><ul><li>d’une erreur de type II </li></ul>
  34. 34. La contre-réponse du bayésien <ul><li>Il n’y a pas de région de rejet a construire, </li></ul><ul><li>mais de probabilités a posteriori à calculer </li></ul><ul><li>Le choix entre l’hypothèse nulle et </li></ul><ul><li>l’alternative est faite sur la base des a posteriori </li></ul>
  35. 35. Guide pour l’action <ul><li>Décisions pour les résultats des tests </li></ul><ul><ul><li>Probas bayésiennes objectives permettent </li></ul></ul><ul><ul><li>de décider entre les a posteriori des hypothèses </li></ul></ul><ul><li>Décisions en matière de politique publique </li></ul><ul><li>(sciences sociales) </li></ul><ul><li>Décisions en matière d’individus </li></ul><ul><li>(sciences médicale) </li></ul>
  36. 36. Pourquoi des probas bayésienne objectives? <ul><li>Parce que: </li></ul><ul><li>1) elles ont du sens dans le cas unique </li></ul><ul><li>2) elles ne laissent pas de place </li></ul><ul><li>à l’arbitrarieté </li></ul>
  37. 37. En résumé <ul><li>J’ai rappelé </li></ul><ul><ul><li>Le formalisme du calcul de la probabilité </li></ul></ul><ul><ul><li>Les majeures interprétations </li></ul></ul><ul><li>J’ai présenté le bayésianisme </li></ul><ul><ul><li>En tant que position épistémologique </li></ul></ul><ul><ul><li>En tant qu’interprétation de la probabilité </li></ul></ul><ul><li>J’ai distingué </li></ul><ul><ul><li>Le bayésianisme subjectif </li></ul></ul><ul><ul><li>Le bayésianisme empiriquement basé </li></ul></ul><ul><ul><li>Le bayésianisme objectif </li></ul></ul><ul><li>J’ai appliqué le bayésianisme objectif </li></ul><ul><ul><li>En épidémiologie du cancer </li></ul></ul><ul><ul><li>En modélisation causale </li></ul></ul>
  38. 38. Et en suite …? <ul><li>Le pluralisme est-il une position tenable ? </li></ul><ul><li>Dans quels autres contextes peut-on </li></ul><ul><li>appliquer le bayésianisme objectif? </li></ul><ul><li>… </li></ul>

×