Диагностика и лечение хронической ишемической болезни сердца Диагностика хронической ИБС (ч2). Априорная и апостериорная вероятности гипотез. Примеры

[ | ]

Информативное априорное распределение выражает конкретную информацию о переменной. Например, подходящим априорным распределением для температуры воздуха завтра в полдень будет нормальное распределение со средним значением , равным температуре сегодня в полдень, и дисперсией , равной ежедневной дисперсии температуры.

В качестве примера естественного априори, следуя Джейнсу (2003), рассмотрим ситуацию, когда известно, что мяч спрятан под одной из трех чашек A, B или C, но нет никакой другой информации. В этом случае равномерное распределение p (A) = p (B) = p (C) = 1 3 {\displaystyle p(A)=p(B)=p(C)={\frac {1}{3}}} интуитивно кажется единственно обоснованным. Более формально, проблема не изменится, если поменять местами названия чашек. Поэтому стоит выбрать такое априорное распределение, чтобы перестановка названий его не изменяла. И равномерное распределение является единственным подходящим.

Некорректное априорное распределение [ | ]

Если теорема Байеса записана в виде:

то очевидно, что она останется верной, если все априорные вероятности P (A i ) и P (A j ) будут умножены на одну и ту же константу; то же верно для непрерывных случайных величин . Апостериорные вероятности останутся нормированными на сумму (или интеграл) 1, даже если априорные не были нормированными. Таким образом, априорное распределение должно задавать только верные пропорции вероятностей.

См. также [ | ]

В статистической теории оптимальных приемников, основные понятия которой были рассмотрены в предыдущих параграфах, вопрос об априорных вероятностях полезного сигнала связан с определенными трудностями. Действительно, априорные вероятности нужны для вычисления апостериорных вероятностей, т. е. они необходимы для фактического осуществления оптимального приемника. Однако априорные вероятности часто неизвестны. Так, Вудворд пишет: «Рассмотрим, например, априорную вероятность обнаружения самолета некоторой радиолокационной установкой на расстоянии завтра в утра. Если установка расположена на аэродроме с регулярным движением, статистический анализ прошлого может дать нам нужные вероятности в предположении, что движение самолетов представляет собой стационарный случайный процесс. Для большого класса задач, однако, мы не располагаем статистикой либо потому, что она не изучалась, либо вследствие более фундаментального обстоятельства: в прошлом не существовало совокупности сходных ситуаций, из которой можно было бы вывести определенное суждение».

Как мы показали в § 29, плотности априорных вероятностей можно представить в виде двух множителей

Априорные вероятности. являются соответственно вероятностями наличия и отсутствия полезного сигнала на входе приемника. Эти вероятности наиболее трудно оценить. Априорные вероятностирт являются вероятностями распределения полезных сигналов по неизвестным параметрам при условии, что полезный сигнал присутствует на входе приемника. Эти распределения в ряде случаев можно более или менее уверенно найти из теоретических соображений. Так, например, случайную высокочастотную фазу при некогерентном приеме естественно предположить равномерно распределенной по окружности, амплитуду флюктуирующего сигнала - по закону Релея. Дальность и азимут цели можно в некоторой небольшой области воздушного пространства

предположить равномерно распределенными; при увеличении размеров области это предположение может стать уже несправедливым.

Учитывая выше приведенные рассуждения и предполагая, что закон распределения априорных вероятностей полезного сигнала по неизвестным параметрам известен, мы можем вычислить введенные выше для различных случаев коэффициенты правдоподобия и Если далее образовать отношение апостериорных вероятностей присутствия и отсутствия полезного сигнала, то получим при обнаружении

а при измерении

Эти формулы нетрудно вывести из выражений (29.09), (29.22), (29.28), (29. 33) и соотношений

Формулы (30.02) и (30.03) показывают, что в отношениях апостериорных вероятностей от априорных вероятностей зависит лишь постоянный множитель а принятая функция определяет коэффициенты правдоподобия

Трудность, обусловленную незнанием отношения можно обойти, если изменить определение оптимального приемника и назвать оптимальным приемник, образующий коэффициенты правдоподобия (а не апостериорные вероятности). В таком случае оптимальные приемники по

определению должны выдавать следующие математические величины:

1) при простом обнаружении

2) при сложном обнаружении

3) при простом измерении

4) при сложном измерении

На основании входных данных и образованных с их помощью величин (30.06) обычно приходится принимать решения. Если решать должен человек, например ответить «есть сигнал» или «нет сигнала», то оптимальный приемник лишь помогает человеку, оставляя за ним операцию решения. Надо сказать, что в своих решениях человек всегда использует (часто,не осознавая этого явно) априорные знания о вероятности появления сигнала: в частности, если априорная вероятность появления сигнала достаточно мала, то для ответа «есть сигнал» потребуется более сильное превышение сигнала над шумами, т. е. большее значение

Процесс решения нетрудно автоматизировать. Ограничиваясь задачей обнаружения (сложного или простого), мы должны учесть, что вероятность наличия полезного сигнала

есть монотонная функция коэффициента правдоподобия Совершенно естественно считать, что сигнал присутствует, если вероятность достаточно велика (т. е. достаточно близка к единице), и что полезного сигнала нет, если вероятность достаточно мала. Поэтому простейшее правило решения имеет вид

где некоторое "пороговое" значение вероятности, скажем, ; или

Более сложное правило:

с двумя порогами использует апостериорные вероятности на выходе оптимального приемника более полно, но при этом иногда дает неопределенный ответ. Если сигнал принят, дальнейшая информация в приемник не поступает и на основании имеющихся сведений требуется принять какое-то определенное решение, то единственный выход заключается, очевидно, в применении правила (30.08) с одним порогом. Если же информация поступает в приемник постепенно, то на основании входных данных, накопившихся за фиксированный промежуток времени, можно принять и неопределенное решение, указывающее на необходимость продолжать наблюдение. В этом случае можно применить «двухпороговое» правило (30.09); в принципе можно было бы, вероятно, использовать и более сложные правила.

Рассмотрим более подробно правило (30.08). Коль скоро мы выберем одно из двух возможных решений, то мы всегда можем или принять правильное решение или ошибиться. Ошибки могут быть двух типов. Первый тип ошибки - принятие решения «да», когда на входе присутствует только помеха. Эта ошибка называется ложной тревогой, ее вероятность мы обозначим через Второй тип ошибки - принятие решения «нет», когда на входе присутствуют как помеха, так и полезный сигнал. Эта ошибка называется пропуском сигнала, вероятность этой ошибки мы будем обозначать через Вероятность ложной тревоги является вероятностью принять помеху за сумму сигнал помеха; вероятность пропуска есть вероятностью принять сумму сигнал помеха за чистую помеху.

Правильные решения также могут быть двух типов: правильное обнаружение и правильное необнаружение. Вероятность правильного обнаружения, которую мы обозначим через есть вероятность принять сумму сигнал помеха за сигнал помеха, а вероятность правильного необнаружения, которую мы обозначим через есть вероятность принять помеху за помеху. Очевидно, что условные вероятности: вероятности принять правильное или неправильное решение при условии, что полезного сигнала нет, такие же вероятности при условии, что полезный сигнал присутствует. Поэтому выполняются соотношения

Полцая вероятность принять правильное решение, очевидно, равна

где и суть априорные вероятности отсутствия и наличия сигнала

При использовании правила (30.08) необходимо - задать, помимо порога априорные вероятности Если последние неизвестны, то можно воспользоваться, как это было указано выше, коэффициентом правдоподобия, с помощью которого правило (30.08) перепишется в виде

есть пороговое значение коэффициента правдоподобия. "Двухпороговое" правило (30.09) примет такой вид:

Согласно этим правилам нетрудно построить схемы, автоматически принимающие решения. Таким образом, "решающий" оптимальный ириемник должен образовывать коэффициент правдоподобия и подавать его на вход решающей схемы (30.12) или (30.14). Заметим, что вместо можно использовать любую монотонно возрастающую функцию (например, что часто упрощает схему оптимального приемника. Порог А в формуле (30.12) обычно находят из требования, чтобы вероятность ложных тревог равнялась заданному значению (часто весьма малому, например, или

Остановимся в заключение на терминологии, принятой в литературе.

Наблюдателем Неймана-Пирсона (Neymann-Pearson) называют наблюдателя, который на основании принятых данных принимает решения о наличии сигнала по правилу, которое обеспечивает

максимальную вероятность правильного обнаружения при фиксированной вероятности ложной тревоги за данный промежуток времени наблюдения . В математической статистике доказывается, что наблюдатель Неймана-Пирсона принимает решения как раз по "одно-пороговомуи правилу (30.12), причем величина порога определяется фиксированным значением Любое другое правило решения приводит к меньшим D (при заданных и ).

Идеальный наблюдатель Зигерта (Siegert) принимает решение, обеспечивающее максимальную вероятность по формуле (30.11) при фиксированном времени наблюдения Решение принимается также по правилу (30.12), но величина порога выбирается равной

Последовательный наблюдатель Вальда (Wald) производит анализ данных, непрерывно поступающих на вход приемника. Последовательный наблюдатель имеет возможность задержать решение до поступления новых данных; правило решения для него имеет вид (30.14). Однако математическая теория последовательного наблюдения отличается большей сложностью, и мы в дальнейшем будем исключительно применять схему решения (30.12) с одним порогом, интерпретируя ее в духе наблюдателя Неймана-Пирсона.

Более глубокий подход к статистической теории приема дает современная теория игр и статистических решений, использованная в теории оптимальных приемников Метером и Мидлтоном. Некоторые относящиеся сюда вопросы рассмотрены в приложении

P(x|z) - апостериорная вероятность (wiki);
P(z|x) - функция правдоподобия (зависит от данных, т.е. текущего изображения);
P(x) - априорная вероятность (не зависит от данных).
Фактически, проблему поиска лучшего разделения можно сформулировать таким образом:
(это формула и выражает MAP), или, что тоже самое
, где
E(x) - энергия изображения.
Рассмотрим каждую часть отдельно.

Функция правдоподобия

Априорная вероятность

- функция разделения;

- «Ising prior» (априорная вероятность Изинга, по подсказке yuriv).
При этом всем

Апостериорная вероятность

Энергия изображения, где первое слагаемое - значение энергии текущего пикселя самого по себе, а второе - суммарное значение с соседом; w - некий вес, значение которого определяется экспериментально;

Функция правдоподобия;

Априорная вероятность.
Фух, осталось совсем чуть-чуть, самое главное.

Минимизация энергии

(искомый минимум энергии)

Результаты

Выводы

Уголок копирайтера

I.Условные вероятности. Априорная и апостериорная вероятность. 3

II.Независимые события. 5

III.Проверка статистических гипотез. Статистическая достоверность. 7

IV.Использование критерия «хи-квадрат» 19

1.Определение достоверности отличия набора частот от набора вероятностей. 19

2.Определение достоверности отличия нескольких наборов частот. 26

VСАМОСТОЯТЕЛЬНОЕ ЗАДАНИЕ 33

Занятие №2

1. Условные вероятности. Априорная и апостериорная вероятность.

Случайная величина задается тремя объектами: множеством элементарных событий, множеством событий и вероятностью событий. Те значения,которые может принимать случайная величина, называютсяэлементарными событиями. Наборы элементарных событий называютсясобытиями . Для числовых и других не очень сложных случайных величин любой конкретно заданный набор элементарных событий есть событие.

Приведем пример: бросание игральной кости.

Всего имеется 6 элементарных событий: «очко», «2 очка», «3 очка»… «6 очков». Событие – любой набор элементарных событий, например «чет» -сумма элементарных событий «2 очка», «4 очка» и «6 очков».

Вероятность любого элементарного события P(A) равна 1/6:

вероятность события – количеству входящих в него элементарных событий, деленному на 6.

Достаточно часто в добавление к известной вероятности события имеется некоторая дополнительная информация, которая меняет эту вероятность. Например, летальность больных. поступивших в больницу с острой кровоточащей язвой желудка, составляет около 10%. Однако, если больному больше 80 лет, эта летальность составляет 30%.

Для описания таких ситуаций были введены так называемые условные вероятности . Они обозначаются, какP(A/B) и читаются «вероятность события А при условии события В». Для вычисления условной вероятности используется формула:

Вернемся к предыдущему примеру:

Пусть среди больных, поступивших в больницу с острой кровоточащей язвой желудка 20% - больные старше 80 лет. Причем, среди всех больных доля умерших больных старше 80 лет – 6%(напомним, что доля всех умерших составляет 10%). В этом случае

При определении условных вероятностей часто пользуются терминами априорной (буквально – до опыта) иапостериорной (буквально – после опыта) вероятности.

Пользуясь условными вероятностями, можно по одним вероятностям вычислить другие, например, менять местами событие и условие.

Рассмотрим эту технику на примере анализа связи риска заболевания ревматизма (ревматической лихорадкой) и одного из антигенов, являющихся для него фактором риска.

Частота заболевания ревматизмом – около 1%. Обозначим наличие ревматизма как R + , тогда какP(R +)=0,01.

Наличие антигена будем обозначать, как А + . Его находят у 95% больных ревматизмом и у 6% лиц, ревматизмом не болеющих. В наших обозначениях это: условные вероятности Р(А + /R +)=0,95 и Р(А + /R -)=0,06.

На основании этих трех вероятностей будем последовательно определять другие вероятности.

Прежде всего, если заболеваемость ревматизмом P(R +)=0,01, то вероятность не заболетьP(R -)=1-P(R +)=0,99.

Из формулы для условной вероятности находим, что

Р(А + иR +)= Р(А + /R +) * Р(R +) = 0,95*0,01 = 0,0095, или 0,95% популяции одновременно и болеют ревматизмом и имеют антиген.

Аналогично

Р(А + иR -)= Р(А + /R -) * Р(R -) = 0,06*0,99 = 0,0594, или 5,94% популяции носят антиген, но ревматизмом не болеют.

Так как все имеющие антиген или болеют ревматизмом или и не болеют (но не одновременно и то и другое), то сумма двух последних вероятностей дает частоту носительства антигена в популяции в целом:

Р(А +)= Р(А + иR +) + Р(А + иR -) = 0,0095 + 0,0594 = 0,0689

Соответственно, доля людей, не имеющих антиген равна

Р(А -)=1- Р(А +) = 0,9311

Так как заболеваемость ревматизмом равна 1%, а доля лиц, имеющих антиген и болеющих ревматизмом, равна 0,95%, то доля лиц, болеющих ревматизмом и не имеющих антигена равна:

Р(А - иR +) = Р(R +) - Р(А + иR +) = 0,01 – 0,0095 = 0,0005

Теперь будем двигаться в обратную сторону, переходя от вероятностей событий и их комбинаций к условным вероятностям. По исходной формуле условной вероятности Р(А + /R +)= Р(R + иA +)/ Р(А +) = 0,0095/0,06890,1379 , или примерно 13,8% лиц, носящих антиген, заболеют ревматизмом. Так как заболеваемость популяции в целом лишь 1%, то факт выявления антигена повышает вероятность заболевания ревматизмом в 14 раз.

Аналогичным образом Р(R + /А -)=Р(R + иA -)/ Р(А -) = 0,0005/0,93110,000054, то есть тот факт, что при проверке антигена не обнаружено, снижает вероятность заболевания ревматизмом в 19 раз.

Оформим эту задачу в электронной таблице Excel:

Можно посмотреть процесс построения таблицы картинки2\p2-1.gif

С7 В этом современном виде теорема Байеса была на самом деле сформулирована Лапласом. Томасу Байесу принадлежит сама постановка задачи . Он сформулировал ее как обратную известной задаче Бернулли. Если Бернулли искал вероятность различных исходов бросания "кривой" монеты, то Байес, наоборот, стремился определить степень этой "кривизны" по эмпирически наблюдаемым исходам бросания монеты. В его решении отсутствовала априорная вероятность.  

Хотя правило выглядит очень простым, применить его на практике оказывается трудно, так как бывают неизвестны апостериорные вероятности (или даже значения упрощенных решающих функций). Их значения можно оценить. В силу теоремы Байеса апостериорные вероятности можно выразить через априорные вероятности и функции плотности по формуле Р С, Iх = Р С, (Р(х I С, / Р Су Р хI С,  

Оценивая результаты классификации по методу MDA, мы видим значительную долю ошибочных решений по компаниям-банкротам (группа 1) - одной из них кредит был бы предоставлен. Фирмы с неясным положением (группа 2) с трудом поддаются правильной классификации, потому что, в конечном итоге, они могут попасть в 1-ю или 3-ю группу. Дело нельзя улучшить, приводя априорные вероятности в соответствие с представлениями банка о вероятности принадлежности фирмы различным группам. Общий показатель правильности прогноза составил всего 56.6%, причем из 1-й группы правильно классифицированы были только 30%.  

При имеющемся уровне сложности и одновременности происходящих процессов модели, основанные на причинных связях , имеют ограниченные возможности для применения вновь происходящие события постоянно меняют спецификации всех переменных (и включенных, и не включенных в модель), а значения априорных вероятностей и размеров выплат по различным стратегиям весьма неопределенны и резко меняются вместе с изменениями показателей экономического роста , процентных ставок, обменных курсов и прибыльностью сделок, не связанных с кредитованием (например, при изменении операционных и комиссионных сборов).  

Так как в реальной ситуации нельзя знать заранее, какая часть из компаний, представленных в случайной выборке , потерпит банкротство в течение года и поскольку авторы двух рассматриваемых моделей, как можно предположить, устанавливали разделяющие уровни, исходя из каких-то конкретных предположений об априорных вероятностях банкротства и цене ошибок, мы упростили процедуру сравнения и ввели относительные разделяющие уровни. Иначе говоря, для каждой модели мы считали сигналами о банкротстве нижние 10% сигналов, выдаваемых моделью за очередной год. На деле такой подход означает общую 10-процентную априорную вероятность банкротства и такое отношение числа сигналов о банкротстве к реальным банкротствам в предыдущем тесте, которое определяется с помощью оптимизирующего порога. Кроме того, этот способ имеет то преимущество, что при этом минимизируются искажения, возникающие из-за большого разрыва во времени между публикацией Z-счета Альтмана и проведением эксперимента. Средние показатели за это время могли измениться, и поэтому разделение компаний на сильные и слабые, исходя из определенной пропорции, представляется более надежным. В табл. 9.2 приведены результаты эксперимента по прогнозированию банкротств на год вперед с указанием погрешности для каждой модели.  

Принимая априорную вероятность за факт, оцените ожидаемую прибыль в случае открытия филиала.  

Обозначим через А. событие, заключающееся в том, что q б [

Пусть, например, выбраны следующие параметры величина капитальных вложений , величина эксплуатационных затрат и цена готовой продукции , которые соответственно могут принимать значения Кь К2, К3 Эь Э2, Э3 Ць Ц2, Цз- Каждому из этих значений соответствует некоторая априорная вероятность, например, Кь Эь Ц имеют вероятность pt = 0,1, для К2, Э2, Ц2 вероятность будет р2 = 0,8, а для К3, Э3, Ц3 - р3 = 0,1.  

Пусть априорная вероятность получения в конце процесса проектирования технического решения , удовлетворяющего по-  

Если игрок 2 имеет в игре Г более одной стратегии и априорные вероятности их использования игроку 1 неизвестны или даже вовсе не имеет смысла говорить об этих вероятностях, то все только что сказанное неприменимо.  

Как мы уже ранее видели, изменения априорных вероятностей р и q зависит от настройки сигнала.  

Отсюда следует, что если мы имеем нейтрального к риску субъекта, который считает, что колл-опцион будет стоить Си с вероятностью тг и j с вероятностью (1 - тг), то этот субъект будет вычислять текущую цену опциона с полном соответствии с выведенным нами уравнением. Заметим, что мы нигде не предполагали наличия априорных вероятностей появления той или иной цены акции и, соответственно, будущей оценки опциона . Изложенный подход называется нейтральной к риску оценкой.  

Пусть тг(

Правая часть (7.53) не является плотностью в собственном смысле, так как интеграл от нее не определен, тем не менее при вычислении по формуле Байеса плотности апостериорного распределения параметров формальных трудностей при работе с (7.53) или не возникает, или они легко могут быть преодолены. Как мы увидим ниже в п. 7.3.2, выбор (7.53) удобен в аналитическом отношении и, казалось бы, хорошо отражает полное отсутствие априорных знаний о распределении параметров. Однако в нем на самом деле скрываются очень сильные предположения отсутствие корреляции между параметрами (не пу-т ть с корреляцией между оценками значений параметров, которая зависит от распределения регрессоров и величины а), пренебрежимая малость априорной вероятности того, что вектор параметров лежит в любом наперед заданном конечном объеме, какова бы ни была его величина, и т. д. Это приводит порою к серьезным трудностям с интерпретацией результатов байесовского оценивания .  

Рассмотрим содержание теоремы Байеса с несколько иной точки зрения . Для этого выпишем все возможные исходы нашего эксперимента. Пусть символы Н0, h означают исход монета не накрыта и ее верхняя сторона - герб" . Если вы оцениваете априорную вероятность осуществления  

Я как V2i то вероятность указанного исхода будет Va X х1/2=1/4- Ниже мы приводим список всех исходов и их априорные вероятности  

Так, в примере с монетой и игральной костью Р(На) - априорная вероятность, Р(На К) - апостериорная вероятность , а Р(Н На) - правдоподобность.  

Если теперь априорная вероятность Р(Н0) может быть взята равной либо 1, либо 0, говорят, что принимающий решение  

Вообразим теперь, что экспериментатор предлагает принимающему решение совершенно надежную (или полную) информацию о том, какой именно предмет не накрыт. Принимающий решение должен, однако, заплатить за услугу сообщения такой совершенно надежной информации, прежде чем он получит эту информацию. Какова была бы ценность такой информации Он может заглянуть вперед и спросить себя, что он будет делать в ответ на каждое из двух возможных сообщений, которые может обеспечить данная услуга, и вычислить свой доход, исходя из полученных ответов. Взвешивание этого дохода с помощью априорных вероятностей возможных сообщений позволило бы ему оценить сумму его ожидаемого дохода, если он уплатит некоторую сумму за совершенно надежную информацию до ее фактического получения. Так как этот ожидаемый доход был бы больше 0,5 долл., т. е. того, что он ожидает на основании одной лишь априорной информации , то прирост дохода и явился бы той максимальной суммой, которую ему имело бы смысл уплатить за информационную услугу.  

Фирма должна закупить большое количество товара либо сегодня, либо завтра. Сегодня цена товара 14,5 долл. за единицу. По мнению фирмы, завтра его цена будет либо 10, либо 20 долл. с равной вероятностью. Пусть х обозначает завтрашнюю цену тогда априорные вероятности равны  

На последнем этапе проверяется надежность выбора априорных вероятностей наступления рыночных состояний и вычисляется ожидаемая полезность от уточнения этих вероятностей. Для этого строится дерево решений . В случае появления необходимости дополнительных исследований рынка рекомендуется приостановить процесс внедрения выбранного варианта нового товара до получения более надежных результатов.  

В маркетинговой практической деятельности фирмы зачастую приходится сравнивать затраты на получение частичной (неполной) информации и затраты на получение дополнительной новой информации для принятия более качественного решения. Менеджер (ЛПР) должен оценить, насколько выгода, получаемая от дополнительной информации , покрывает затраты на ее получение. В данном случае может быть применена теория принятия решений Байеса. Исходными данными являются априорные вероятности P(Sk) и условные вероятности P(Z Sk) появления рыночного состояния Z при условии, что предположено появление состояния 5А. При получении новой информации вычисляются ожидаемые полезности каждой стратегии, а затем выбирается стратегия с максимальным значением ожидаемой полезности. С помощью новой информации ЛПР может исправлять априорные вероятности P(Sk), а это очень важно при принятии решений.  

Теперь желательно узнать, какая будет вероятность появления объективного состояния Sk при получении новой информации. Таким образом, необходимо найти P(Sk Z), где k,q = 1,п. Это условная вероятность и она является уточненной априорной вероятностью. Для вычисления P(Sk Z) воспользуемся формулой Байеса  

Итак, мы получили уточненные априорные вероятности появления объективных рыночных состояний. Весь процесс вычисления и получаемые результаты указаны в табл. 9.11 и 9.12.  

Использование бейесовского подхода (6.47) требует знания априорных вероятностей и плотностей распределения вероятностей.  

Используя полученные из АГК числовые характеристики объектов, мы провели стандартный линейный множественный дискрими-нантный анализ с одинаковыми (равными 33%) априорными вероятностями принадлежности элемента. группам. Правильно были классифицированы 41% от общего числа случаев, и это несколько лучше 33-процентной точности, которая получилась бы при случайном отнесении объекта к той или иной группе. Табл. 8.6 ниже- это таблица неправильных классификаций, которая также называется матрицей ошибок.  

Следующая проблема - это выработка стандарта для тестирования. Для оценки MDA-моделей в большинстве случаев берется небольшое количество образцов, и это увеличивает вероятность того, что модель будет слишком точно подогнана под тестовые данные. В выборках обычно содержится поровну компаний-банкротов и небанкротов, а сами данные, как правило, соответствуют периодам интенсивных банкротств. Это приводит к выводу о том, что надежными являются только результаты оценки модели на новых данных. Из табл. 9.1 видно, что даже на самых благоприятных тестах с новыми данными (когда все примеры берутся из одного периода времени и притом однородными в смысле отраслей и размера предприятия) качество получается хуже, чем на образцах, по которым определялись параметры модели. Поскольку на практике пользователи моделей классификации не смогут настраивать модель на другие априорные вероятности банкротства, размер фирмы или отрасль, реальное качество модели может оказаться еще хуже. Качество может также ухудшиться из-за того, что в выборках, используемых для тестирования MDA-моделей, бывает мало фирм, которые не обанкротились, но находятся в зоне риска. Если таких с риском выживающих фирм всего четыре-пять, то это искажает реальную долю рисковых компаний, и в результате частота ошибок 2-го рода оказывается недооцененной.  

Участвовавшие в сравнении MDA-методы были рассчитаны и оптимизированы, исходя из доли ложных сигналов 10 1 при некоторых априорных вероятностях и цене ошибок. Хотелось бы использовать в качестве ex ante критерия меньшее, чем 10-процентное, число потенциальных банкротов в популяции, но это плохо согласуется с параметрами моделей . Это также противоречит практике, когда снижение порога ниже 10-процентного уровня не приводило к банкротству. Так, когда доля ложных сигналов урезалась до 7%, Z-шкала Таффлера вообще переставала идентифицировать банкротства, а модель Datastream наталкивалась на это препятствие на отметке 8%. В противоположность этому нейронная сеть распознала два случая банкротства ниже разделяющего уровня в 4.5%, т.е. сеть способна работать в условиях, когда на одну правильную идентификацию банкротства приходится всего пять ложных сигналов. Этот показатель сравним с наилучшими результатами, которые получаются у MDA-моделей на гораздо менее требовательных тестах задним числом (ех post). Отсюда следуют два вывода во-первых, нейронные модели представляют собой надежный метод классификации в кредитной сфере, и, во-вторых, использование при обучении в качестве целевой переменной цены акции может оказаться более выгодным, чем собственно показателя банкротство/выживание. В цене акций отражает-  

В гл. 3-5 описываются методы шкалирования предпочтений (весов) будущих событий, количественные оценки степени предпочтения и, мы можем вычислить безусловную вероятность любого результата выборки