作者 Marisha Fonseca
貝氏先驗與先驗分布：善用既有知識
由於具備高度彈性，且能有效處理複雜、高維度資料，以及小樣本或缺失／不完整資料，貝氏統計在生物醫學領域愈來愈受到重視。然而，當研究者初次接觸貝氏方法時，往往會面臨一個關鍵問題：什麼是先驗（prior）？我該如何選擇先驗分布 (prior distribution) ？
貝氏先驗：基礎概念
在貝氏統計中，「先驗（prior）」指的是你在觀察資料之前，對研究問題或主題已經掌握的知識。
先驗代表在尚未取得新資料前，對模型參數的初始信念或假設。這些信念可能來自既有研究、領域知識或專家意見。通常，先驗會以「機率分配（probability distribution）」的形式來表示。
貝氏先驗的類型
- 資訊性先驗（Informative Priors）
資訊性先驗表達的是對某個變數已有的明確資訊。當你擁有相關背景知識時，可以選擇能反映這些資訊的分布，例如：
當有充分且可靠的證據（例如同儕審查的研究）支持假設時，可使用強先驗（strong prior）。
若僅有有限資訊（例如缺乏實證支持的主觀專家意見），則可採用弱資訊性先驗（weakly informative prior）。
- 非資訊性先驗（Non-informative Priors）
當缺乏先驗知識，或希望維持分析的客觀性時，可以使用非資訊性先驗。
這類先驗的概念就像是：「我對這個情況沒有特別的預設立場，因此希望保持中立」。換句話說，在觀察資料之前，不偏向任何特定結果，以確保分析的公平性。
- 正則化先驗（Regularizing Priors）
正則化先驗（亦稱為正則化分配）用於對模型參數施加限制或懲罰，其主要目的包括：
- 避免過度擬合（overfitting）
- 提升模型的泛化能力
簡單來說，正則化先驗可以避免模型在預測時變得過於複雜或極端。
特別是在模型參數數量相對資料量較多時，正則化先驗非常實用，因為它能防止模型過度貼合資料中的雜訊。
接下來介紹幾種常見的正則化先驗：
- 拉普拉斯先驗（Laplace Prior）
又稱雙指數先驗，會對較大的參數值施加懲罰，使參數傾向接近 0。
👉 概念上就是：「讓模型盡量簡單，不要過於起伏。」
- 高斯先驗（Gaussian Prior）
又稱常態先驗，會將參數值往某個平均數拉近。
👉 就像是：「讓模型不要偏離平均值太遠。」
- 套索先驗（Lasso Prior）
結合 Laplace 與 Gaussian 的特性，對參數的絕對值進行懲罰，使部分參數變為 0，促進模型稀疏性。
👉 概念為：「只保留重要變數，忽略不重要的。」
- 脊嶺先驗（Ridge Prior）
對參數平方值進行懲罰，使參數縮小但不會完全為 0。
👉 可理解為：「避免模型變化過大，維持穩定平滑。」
什麼是先驗分布（Prior Distribution）？
先驗分布是指在觀察任何資料之前，用來描述我們對參數信念的機率分配。
在貝氏分析中，設定先驗分配的關鍵包括：
- 理解可用的先驗資訊
- 選擇適合的分配形式
- 評估其對後驗結果與推論的影響
選擇能準確反映既有知識的先驗分配，有助於產生更具資訊性與實務價值的後驗結果。
敏感度分析的重要性
在進行貝氏分析時，建議同時執行敏感度分析（sensitivity analysis），以評估結果對不同先驗設定的敏感程度。
這通常透過比較不同先驗下的分析結果，來檢視結論是否穩健。
若結果對先驗選擇高度敏感，可能需要：
- 蒐集更多資料以降低先驗影響
- 或調整先驗，使其更貼近實際情況
敏感度分析能確保最終結論不僅依賴初始假設，而是具有可靠性與穩定性。
總結
謹慎選擇先驗分配，有助於提升貝氏分析的客觀性與透明度。
不適當的先驗設定可能導致分析偏誤，進而產生誤導性的結論。因此，建議投入時間深入理解先驗與先驗分配的選擇方式，才能有效地將既有知識融入分析中，提升研究品質。
對貝氏統計有興趣嗎？
歡迎透過意得輯（Editage）統計分析與審查服務，諮詢專業生物統計學家，協助您順利開展研究。
常見問題（FAQs）
-
什麼是貝氏分配（Bayesian distribution）？
泛指在貝氏統計中使用的任何機率分配，可用於描述未知資訊在觀察資料前或後的狀態。常見包含：
- 先驗分配（Prior）
- 似然（Likelihood）
- 後驗分配（Posterior）
- 在線性貝氏回歸中，先驗分配代表什麼？
先驗分配用來表達在分析資料前，對迴歸係數（及有時的誤差變異）的既有信念。
-
先驗分配的意義是什麼？
先驗分配表示在觀察新資料之前，對參數已知或假設的資訊，反映初始信念。
-
什麼是先驗與後驗分配？
- 先驗分配：觀察資料前的信念
- 後驗分配：結合資料（透過貝氏定理）後更新的信念
後驗分配可視為更新後的認知，若有新資料加入，亦可作為新的先驗分配。
