Kenneth C.jun，Lichtendahl。;耶尔·格拉什卡·科卡因;Jose，Victor里士满;罗伯特·温克勒。 二元事件预测贝叶斯集合中的极值化和反极值化。 （英语） Zbl 1524.62120号 操作。物件。 70，第5号，2998-3014（2022）. 概要：二元事件的概率预测通常从多个模型或专家处收集，并求平均值，以提供有关重要决策问题中不确定性的输入。校准良好的概率的平均值过于自信，已经提出了使其更极端的方法。为了聚合概率，我们引入了一类广义可加模型的系综。这些信号群基于贝叶斯原理，可以帮助我们了解为什么以及何时采取极端措施是合适的。极值化通常被视为将平均概率从一半进一步转移；我们强调，将极端化定义为使其远离基准利率更为合适。我们引入了反推理的概念来学习，在这些例子中，使平均概率不那么极端可能是有益的。通过分析，我们发现我们的贝叶斯集合通常会使平均预测极值，但有时会反极值。在几个公开可用的数据集上，我们证明我们的贝叶斯集成表现良好，在18%到73%的情况下都能抗极端。当集合概率中的基本率出现括号时，反极端主义的情况要比没有括号时更常见，这表明括号是一个很有希望的指标，表明我们应该何时考虑反极端主义。 MSC公司： 2015年1月62日 贝叶斯推断 62J12型 广义线性模型（逻辑模型） 关键词：预测汇总;线性意见库;广义线性模型;极端主义和反极端主义;支架;probit集合 软件：XGBoost公司;法线 PDF格式BibTeX公司 XML格式引用 \textit{K.C.Lichtendahl jun.}等人，作品。第70号决议，第5号，2998--3014（2022年；Zbl 1524.62120） 全文： 内政部 参考文献： [1] Ariely D，Au WT，Bender RH，Budescu DV，Dietz CB，Gu H，Wallsten TS，Zauberman G（2000）法官之间和内部主观概率估计平均值的影响。J.实验。心理学应用。6（2）：130-146.Crossref，谷歌学者·doi:10.1037/1076-898X.6.2.130 [2] Baron J、Mellers BA、Tetlock PE、Stone E、Ungar LH（2014），使总概率预测更极端的两个原因。决策分析。11（2）：133-145.链接，谷歌学者·Zbl 1398.90060号 [3] Bernardo JM，Smith AFM（2000年）贝叶斯理论（英国奇切斯特John Wiley&Sons有限公司）。谷歌学者 [4] 方框GEP，Tiao GC（1973）统计推断中的贝叶斯推断（Addison-Wesley，马萨诸塞州雷丁）。谷歌学者·Zbl 0271.62044号 [5] Breiman L（1996）装袋预测值。机器学习。24（2）：123-140.谷歌学者交叉引用·Zbl 0858.68080号 ·doi:10.1007/BF00058655 [6] Breiman L（2001）《随机森林》。机器学习。45（1）:5-32.Crosref，谷歌学者·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324 [7] Chen T，Guestrin C（2016）Xgboost:一个可扩展的树木提升系统。程序。第22届ACM SIGKDD国际。Conf.知识发现数据挖掘（ACM），785-794.谷歌学者 [8] Chipman HA、George EI、Mcculloch RE（2007）贝叶斯集成学习。Schölkopf PB，Platt JC，Hoffman T编辑。高级神经信息。处理系统，第19卷（麻省理工学院出版社，马萨诸塞州剑桥），265-272，谷歌学者 [9] Clemen RT（1987）结合重叠信息。管理科学。33（3）：373-380.Link，谷歌学者 [10] Clemen RT、Winkler RL（1986年），结合经济预测。J.总线。经济。统计人员。4（1）：39-46.Crossref，谷歌学者·doi:10.1080/07350015.1986.10509492 [11] Dawid AP、DeGroot MH、Mortera J（1995）专家意见的一致组合。测试4（2）：263-313.Crossref，谷歌学者·Zbl 0844.6202号 ·doi:10.1007/BF02562628 [12] DeGroot MH（1974）达成共识。J.Amer。统计师。协会。69（345）：118-121.Crossref，谷歌学者·Zbl 0282.92011号 ·doi:10.1080/01621459.1974.10480137 [13] DeGroot MH、Mortera J（1991）《最佳线性意见库》。管理科学。37（5）：546-558.链接，谷歌学者·Zbl 0728.62008号 [14] Díeroski S，Ženko B（2004）将分类器与堆叠结合起来比选择最佳分类器更好吗？机器学习。54（3）：255-273.Crossref，谷歌学者·Zbl 1101.68077号 ·doi:10.1023/B:MACH.0000015881.36452.6e [15] Erev I、Wallsten TS、Budescu DV（1994）《同时过度自信和过度自信：错误在判断过程中的作用》。心理学评论。101（3）：519-527.Crossref，谷歌学者·doi:10.1037/0033-295X.101.3.519 [16] French S（1980）根据他人观点更新信仰。J.罗伊。统计师。Soc.序列号。A类143（1）：43-48.Crossref，谷歌学者·Zbl 0432.62004号 ·电话：10.2307/2981768 [17] French S（1986）校准和专家问题。管理科学。32（3）：315-321.谷歌学者链接 [18] Gaba A、Tsetlin I、Winkler RL（2017），结合区间预测。决策分析。14（1）：1-20.Link，谷歌学者·Zbl 1416.91082号 [19] Genest C，Zidek JV（1986）《结合概率分布：评论和注释书目》。统计师。科学。1（1）：114-135.Crossref，谷歌学者·Zbl 0955.62509号 ·doi:10.1214/ss/1177013825 [20] Gneiting T，Raftery AE（2007）严格正确的评分规则、预测和估计。J.Amer。统计师。协会。102（477）:359-378.Crossref，谷歌学者·Zbl 1284.62093号 ·doi:10.1198/0162145000001437 [21] Grushka-Cockayne Y、Lichtendahl KC Jr、Jose VRR、Winkler RL（2017）分位数评估、分位数敏感性和业务收益分享。操作。物件。65（3）:712-728.链接，谷歌学者·Zbl 1407.91083号 [22] Hora SC（2004）连续量的概率判断：线性组合和校准。管理科学。50（5）：597-604.Link，谷歌学者 [23] Karmarkar US（1978）主观加权效用：预期效用模型的描述性扩展。器官。行为。人因绩效21（1）：61-72.Crossref，谷歌学者·doi:10.1016/0030-5073（78）90039-9 [24] Kaunitz L、Zhong S、Kreiner J（2017年）用自己的号码击败博彩公司——以及在线体育博彩市场是如何被操纵的。预打印，https://arxiv.org/abs/1710.02824.谷歌学者 [25] Larrick RP，Soll JB（2006）《关于合并意见的直觉：对平均原则的误解》。管理科学。52（1）：111-127.Link，谷歌学者 [26] Lindley D（1982）概率评估的改进。J.罗伊。统计师。Soc.序列号。A类145（1）：117-126.Crossref，谷歌学者·Zbl 0479.62005年 ·doi:10.2307/2981425 [27] Lindley DV、Tversky A、Brown RV（1979）《概率评估的协调》。J.罗伊。统计师。Soc.序列号。A类142（2）：146-180.谷歌学者Crossref·Zbl 0427.62003号 ·doi:10.2307/2345078 [28] Mellers B、Ungar L、Baron J、Ramos J、Gurcay B、Fincher K、Scott SE等（2014）赢得地缘政治预测锦标赛的心理策略。心理科学。25（5）：1106-1115.Crossref，谷歌学者·doi:10.1177/095679761452255 [29] Mineo AM，Ruggieri M（2005）指数功率分布的软件工具：normalp包。J.统计。软件12（4）：1-24.Crossref，谷歌学者·doi:10.18637/jss.v012.2004 [30] Morris PA（1974）决策分析专家使用。管理科学。20（9）：1233-1241.链接，谷歌学者·Zbl 0317.90002号 [31] Murphy AH，Winkler RL（1987）预测验证的一般框架。每月天气变化。115（7）：1330-1338.Crossref，谷歌学者·doi:10.1175/1520-0493（1987）115<1330:AGFFFV>2.0.CO；2 [32] 国家情报局局长办公室（2018）IARPA宣布地缘政治预测挑战，以改进众包预测。https://www.dni.gov/index.php/newsroom/press-releases/item/1838-iarpa-announces-the-geopolitical-forecasting-challenge-to-improve-crowdsourced-forecasts.Google学者 [33] Raiffa H，Schlaifer R（1961年）应用统计决策理论（哈佛商学院，波士顿）。谷歌学者 [34] Ranjan R，Gneiting T（2010），结合概率预测。J.罗伊。统计师。Soc.序列号。B统计师。方法72（1）:71-91.Crossref，谷歌学者·Zbl 1411.62270号 ·文件编号：10.1111/j.1467-9868.2009.00726.x [35] SatopääVA、Pemantle R、Ungar LH（2016），通过信息多样性进行概率预测建模。J.Amer。统计师。协会。111（516）：1623-1633.Crossref，谷歌学者·doi:10.1080/01621459.2015.1100621 [36] SatopääVA、Baron J、Foster DP、Mellers BA、Tetlock PE、Ungar LH（2014）使用简单的logit模型组合多个概率预测。国际。J.预测30（2）:344-35.Crossref，谷歌学者·doi:10.1016/j.ijforecast.2013.09.009 [37] Shlomi Y，Wallsten TS（2010）顾问概率估计的主观重新校准。心理公牛。版次。17（4）：492-498.Crossref，谷歌学者·doi:10.3758/PBR.17.4.492 [38] Smyth P，Wolpert D（1999）通过叠加线性组合密度估值器。机器学习。36（1-2）：59-83.Crossref，谷歌学者·doi:10.1023/A:1007511322260 [39] Soury H，Alouini MS（2015）关于两个广义高斯随机变量之和的新结果。2015年IEEE全球会议信号通知。处理（IEEE），1017-1021谷歌学者 [40] Stone M（1961）意见库。安。数学。统计人员。32（4）：1339-1342.Crossref，谷歌学者·Zbl 0109.38004号 ·doi:10.1214/aoms/1177704873 [41] Subbotin MT（1923）《错误频率定律》。Matematicheskii Sbornik公司31（2）：296-301.谷歌学者 [42] Tibshirani R（1996）通过套索回归收缩和选择。J.罗伊。统计师。Soc.B公司58（1）：267-288.Crossref，谷歌学者·Zbl 0850.62538号 ·doi:10.1111/j.2517-6161.1996.tb02080.x [43] Turner BM、Steyvers M、Merkle EC、Budescu DV、Wallsten TS（2014）通过重新校准预测聚合。机器学习。95（3）：261-289.谷歌学者交叉引用·Zbl 1320.62183号 ·doi:10.1007/s10994-013-5401-4 [44] Wallsten TS、Budescu DV、Erev I、Diederich A（1997）评估和组合主观概率估计。J.贝哈夫。决策10（3）：243-268.Crossref，谷歌学者·doi:10.1002/（SICI）1099-0771（199709）10:3<243:：AID-BDM268>3.0.CO；2个月 [45] Winkler RL（1968）主观概率分布的共识。管理科学。15（2）:B61-B75.Link，谷歌学者 [46] Winkler RL（1981）结合来自相关信息源的概率分布。管理科学。27（4）：479-488.谷歌学者·兹比尔0458.62007 [47] Winkler RL（1994）《评估概率：非对称评分规则》。管理科学。40（11）：1395-1405.Link，谷歌学者·Zbl 0823.90002号 [48] Winkler RL，Jose VRR（2008）评论：评估多元量的概率预测，并应用于地面风的集合预测。测试17:251-255.谷歌学者Crossref·Zbl 1367.62207号 ·doi:10.1007/s11749-008-0121-y [49] Winkler RL，Poses RM（1993）评估和合并重症监护病房医生的生存概率。管理科学。39（12）：1526-1543.链接，谷歌学者 [50] Winkler RL、Jose VRR、Lichtendahl KC Jr、Grushka-Cockayne Y（2018）为Yao等人2018年的讨论做了贡献。贝叶斯分析。13（3）：968-970谷歌学者 [51] Wolpert DH（1992）堆积概括。神经网络5（2）：241-259。Crossref，谷歌学者·doi:10.1016/S0893-6080（05）80023-1 [52] Yao Y，Vehtari A，Simpson D，Gelman A（2018）使用叠加平均贝叶斯预测分布（含讨论）。贝叶斯分析。13（3）:917-1003.Crossref，谷歌学者·Zbl 1407.62090号 ·doi:10.1214/17-BA1091 [53] Zhang Z，Wang S，Liu D，Jordan MI（2012）EP-GIG在贝叶斯稀疏学习中的先验和应用。J.机器学习。物件。13:2031-2061.谷歌学者·Zbl 1432.68405号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。