什么是 后验预测分布（Posterior Predictive Distribution）？
后验预测分布（Posterior Predictive Distribution）是在未知模型量的后验分布上，对新结果或复制结果的条件似然进行积分后得到的概率分布。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在结果尺度上边缘化未知量
先从后验积分或采样多个合理参数，再对每组参数生成或评估条件结果；对 p(y*|x*,theta) 加权平均后得到后验预测混合。Plug-in 预测 p(y*|x*,theta_hat) 会遗漏参数未知，潜函数分布则可能不包含观测噪声。API 和制品中应保留这些身份，不能把所有区间都统称为置信区间。
用复制数据批判模型
当前 Stan 用户指南通过模拟复制数据，并把决策相关统计量与观测数据比较来定义后验预测检查。应按领域检查位置、离散程度、尾部、零值、依赖关系与关键切片。模型可以正确复现均值却漏掉方差或极端值。后验预测类 p 值是诊断量，通常不是服从均匀分布的频率学派 p 值。
把模型检查与未来表现分开
PyMC 预测工作流区分在原观测输入上的复制结果与新输入上的未来预测。复用观测输入有助于发现模型与数据冲突，但不是未参与建模的泛化测试。未来预测仍需使用按时间、实体或人群合理切分的留出集，报告严格适当评分、覆盖率和蒙特卡洛误差，并在先验、似然、特征或人群变化后重测。
主要特点
- 以观测数据为条件，在后验未知上进行平均
- 输出结果分布，而不仅是模型参数分布
- 可以组合参数未知与建模后的观测变异
- 支持预测、区间构造和模型批判
- 依赖先验、似然、推断、输入和人群假设
- 除后验预测检查外仍需要样本外评测
常见用途
- 生成未来计数或连续结果的概率分布
- 为决策规划构造后验预测区间
- 检查复制数据能否复现尾部、离散程度或依赖
- 比较贝叶斯模型与 Plug-in 点估计预测器
- 把参数未知传播到下游期望成本计算
示例
Loading code...常见问题
后验预测分布表示什么？
它表示在后验模型未知上平均之后，未来结果或复制结果可能如何分布。它是以观测数据为条件的结果分布，而不只是参数分布。
后验分布与后验预测分布有什么区别？
后验分布描述观测数据之后的未知参数或潜变量；后验预测分布把该后验通过似然映射到结果尺度，因此可以在参数未知之外加入观测变异。
可信区间与预测区间有什么区别？
可信区间可以总结后验参数或潜函数；后验预测区间总结未来观测结果，通常同时包含潜在均值未知与建模后的观测噪声，因此往往更宽。
后验预测检查能证明模型正确吗？
不能。它可以暴露模型无法复现的特征，但多个错误模型也可能复现相同摘要。应使用多项领域相关检查、计算诊断、敏感性分析和未参与建模的预测评测。
后验预测样本能当作独立测试数据吗？
不能。它们由拟合模型生成并继承模型假设，适合模型批判和决策模拟。真实泛化证据必须来自按时间、实体或人群合理留出的实际观测。