想象你是一位即将开业的火锅店老板。正式营业前，后厨里最重要的一步不是切菜，而是熬锅底——它先于任何食材进入汤锅，却决定了客人夹起第一片毛肚时的初始滋味。这锅汤底，就是贝叶斯世界里的“先验”；陆续下锅的食材，是“数据”；食材在汤底里翻滚后最终呈现的味道，就是“后验”。汤底怎么选，直接决定成品的风格：想原汁原味、让食材当主角，就熬清汤（无信息先验）；想省事高效、调料与食材天然相配，就选黄金搭档汤底（共轭先验）；想体现独家手艺，就用秘制老汤（主观先验）；想让口味不随着盛汤容器的刻度变化而漂移，就按标准配方来（Jeffreys 先验）。更讲究的老板还会换着锅底试菜，确认怎么换都不至于把菜做坏——这就是敏感性分析。本文就从这锅汤底讲起，把先验选择的门道一次讲透。

岗位关联

选先验是贝叶斯建模中最考验“功力”的一步：它决定你敢不敢对结论下判断、后验算得快不快、模型扛不扛得住质疑。掌握这套策略，你就能独立设计并诊断一个贝叶斯模型，而不是只会套公式。

目录
  1. 可视化演示
  2. 一、先验的本质：锅里先有汤
  3. 二、无信息先验：一视同仁的清汤锅底
  4. 三、共轭先验：天生一对的黄金搭档
  5. 四、Jeffreys先验：不随刻度漂移的标准配方
  6. 五、主观先验：秘制老汤的独家智慧
  7. 六、敏感性分析：换锅底试味
  8. 七、选择策略总览：一份厨房操作手册
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示先验选择策略的核心机制，通过概览/流程/对比/趋势四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

先验选择策略：先验选择 先验选择的基本原则与考量 无信息先验让数据主导推断 核心机制可视化 先验选择策略整体架构与关键组件

一、先验的本质：锅里先有汤

火锅店的后厨里，汤桶咕嘟作响，老板心里清楚：汤底不是随便一锅水，它先于任何食材进入锅里，却奠定了整锅汤的底色。你放多少花椒、多少骨汤，本质上是你对“这顿饭应该是什么味道”的预设判断。贝叶斯推断一模一样：在动手之前，你心里已经对未知参数有了一个“初始配方”。

在贝叶斯推断中，我们总想估计一个未知参数 θ——比如新店的回头率。在收集数据之前，我们对 θ 已有判断 π(θ)，这就是先验分布；它合法地容纳了经验和信念。贝叶斯公式则告诉我们如何用数据（似然）更新这个判断，得到后验分布：后验 = 先验 × 似然，再归一化。

一锅好汤，既要有底味，又不能压住食材的鲜味。先验的作用正是如此——它给推断一个起点，却不应永远凌驾于数据之上。接下来几节，我们就是学习不同“锅底”的挑选之道。

π(θ∣x)  =  L(x∣θ) π(θ)∫L(x∣θ) π(θ) dθ  ∝  L(x∣θ) π(θ)\displaystyle \pi(\theta \mid x) \;=\; \frac{L(x \mid \theta)\,\pi(\theta)}{\displaystyle\int L(x \mid \theta)\,\pi(\theta)\,\mathrm{d}\theta} \;\propto\; L(x \mid \theta)\,\pi(\theta)
分母只起“归一化”作用——把分子缩放成积分为 1 的概率密度，因此实际计算时常写成“正比于”的形式。
  1. π(θ) 先验观测数据之前对参数 θ 的信念分布，相当于汤底的初始配方。
    π(θ)\displaystyle \pi(\theta)
  2. L(x|θ) 似然给定 θ 时观测到数据 x 的可能性，相当于食材本身的特点。
    L(x∣θ)\displaystyle L(x \mid \theta)
  3. 相乘先验与似然相乘，把“初始判断”与“新证据”磨合在一起。
    L(x∣θ) π(θ)\displaystyle L(x \mid \theta)\,\pi(\theta)
  4. 归一化积分除以全参数空间上的积分，使结果成为合法的概率密度。
    ∫L(x∣θ) π(θ) dθ\displaystyle \int L(x \mid \theta)\,\pi(\theta)\,\mathrm{d}\theta

二、无信息先验：一视同仁的清汤锅底

有的老板担心自己的口味偏好会吓跑客人，干脆熬一锅清汤：不加任何特殊调料，让食材的原味来当主角。这就是“无信息先验”——我对参数没有特别的偏好，让数据自己说话。数学上，最简单的做法就是均匀分布：在一个认为合理的区间内，每个取值概率密度相同。

设参数 θ 的可能范围是 [a,b]，则先验密度为常数。当 a,b 有限时它是合法分布；若区间无限，密度无法积分为 1，被称作“广义先验”（非正常先验），在贝叶斯计算中常可照常使用，但需要谨慎处理。

清汤锅底看似公平，却藏着一丝“隐形的脚步”：如果你把“回头率 θ”换成“回头的优势比”，均匀分布在 θ 上并不等于均匀分布在优势比上。也就是说，清汤并非唯一客观，不同的坐标系下，清汤也会“变味”。这正引出更讲究的配方。

π(θ)  ∝  1,θ∈[a,b]⟹π(θ)=1b−a\displaystyle \pi(\theta) \;\propto\; 1,\qquad \theta \in [a,b] \quad\Longrightarrow\quad \pi(\theta) = \frac{1}{b-a}
有限区间上的均匀先验密度等于区间长度的倒数；区间无限时无法归一化，称为广义先验。
  1. ∝ 1密度在各处都一样，表示对参数不带任何倾向。
    π(θ)∝1\displaystyle \pi(\theta) \propto 1
  2. 区间 [a,b]先验的支撑集，即我们愿意在哪个范围里给参数赋值。
    θ∈[a,b]\displaystyle \theta \in [a,b]
  3. 归一化常数均匀分布的密度等于区间长度的倒数，保证总积分为 1。
    π(θ)=1b−a\displaystyle \pi(\theta) = \frac{1}{b-a}

三、共轭先验：天生一对的黄金搭档

后厨最羡慕的组合是什么？卤水与老汤，一见面就互相成就。贝叶斯世界也有这样的黄金搭档：某些先验与似然“配对”后，后验居然和先验属于同一个分布族——只是参数被数据更新了。这就是共轭先验，它让整条更新链路近乎“零手工”。

最经典的组合是“二项似然 + Beta 先验”。设 θ 是成功率，观测 n 次得到 x 次成功，先验取 Beta(α,β)。把先验核与似然核相乘后你会发现，后验依然是一个 Beta 分布，只是参数变成了 (α+x, β+n−x)。

常见的黄金搭档还有：Dirichlet 配多项、高斯（均值）配高斯、Gamma 配泊松。共轭最大的价值是计算便利：手推、实时更新都极快，在 A/B 测试等场景中几乎是标配。但要注意，黄金搭档不等于“最好吃”——它只是把厨房流程理顺了，口味对不对还得另说。

π(θ∣x)  ∝  θ (α+x)−1 (1−θ) (β+n−x)−1  ∼  Beta(α+x, β+n−x)\displaystyle \pi(\theta \mid x) \;\propto\; \theta^{\,(\alpha+x)-1}\,(1-\theta)^{\,(\beta+n-x)-1} \;\sim\; \mathrm{Beta}(\alpha+x,\ \beta+n-x)
后验与先验同为 Beta 族，参数从 (α,β) 变成 (α+x, β+n−x)，更新过程就是“给形状参数加上数据”。
  1. 先验核Beta(α,β) 的密度中依赖 θ 的部分是 θ 的 α−1 次方乘 (1−θ) 的 β−1 次方。
    θ α−1(1−θ) β−1\displaystyle \theta^{\,\alpha-1}(1-\theta)^{\,\beta-1}
  2. 似然核二项似然是 θ^x 乘 (1−θ)^{n−x}。
    θ x(1−θ) n−x\displaystyle \theta^{\,x}(1-\theta)^{\,n-x}
  3. 相乘合并指数同底数幂相乘，指数相加。
    θ (α+x)−1(1−θ) (β+n−x)−1\displaystyle \theta^{\,(\alpha+x)-1}(1-\theta)^{\,(\beta+n-x)-1}
  4. 读出新参数后验就是 Beta(α+x, β+n−x)，无需做任何积分。
    Beta(α+x, β+n−x)\displaystyle \mathrm{Beta}(\alpha+x,\ \beta+n-x)

四、Jeffreys先验：不随刻度漂移的标准配方

清汤有一个毛病：换一把刻度不同的尺子去量味道，清汤的“公平”就变了形。有没有一种配方，无论你用升还是毫升、用摄氏度还是华氏度来表示参数，结论都不变形？Jeffreys 先验就是为“不变性”而生的标准配方。

Fisher 信息量衡量的是“数据对 θ 有多么敏感”。Jeffreys 的做法很优雅：让先验密度正比于 Fisher 信息量的平方根。这样，当参数做任意单调变换时，先验的“形状意志”保持不变，避免了清汤那种换坐标系就变味的问题。

举个具体例子：对二项分布参数 θ，Fisher 信息量是 I(θ) = n/[θ(1−θ)]，于是 Jeffreys 先验正是 Beta(0.5, 0.5)。与清汤 Beta(1,1) 相比，它在 0 和 1 附近略微“抬升”密度，相当于对极端概率多留了一点余地；把参数换成 logit(θ) 时结果依然一致。标准配方的代价是计算上通常要付出更多努力。

π(θ)  ∝  I(θ),I(θ)=− E ⁣[∂2∂θ2ln⁡L(θ∣X)]\displaystyle \pi(\theta) \;\propto\; \sqrt{I(\theta)}, \qquad I(\theta) = -\,\mathrm{E}\!\left[\frac{\partial^2}{\partial \theta^2}\ln L(\theta \mid X)\right]
参数越“容易被数据辨识”的地方，先验给越多权重；这种配方在参数做单调变换时保持不变。
  1. 对数似然的二阶导衡量对数似然在 θ 处的弯曲程度，弯曲越剧烈说明数据对 θ 越敏感。
    ∂2∂θ2ln⁡L(θ∣X)\displaystyle \frac{\partial^2}{\partial \theta^2}\ln L(\theta \mid X)
  2. 取负再求期望得到 Fisher 信息量 I(θ)，它汇总了数据对参数的辨识能力。
    I(θ)=− E ⁣[∂2∂θ2ln⁡L(θ∣X)]\displaystyle I(\theta) = -\,\mathrm{E}\!\left[\frac{\partial^2}{\partial \theta^2}\ln L(\theta \mid X)\right]
  3. 开平方作密度先验密度与信息量的平方根成正比，从而获得变换不变性。
    π(θ)∝I(θ)\displaystyle \pi(\theta) \propto \sqrt{I(\theta)}

五、主观先验：秘制老汤的独家智慧

如果老店长跟你说：“我这回头率，八成就落在四成左右，不会太离谱。”你会怎么做？无视他，用清汤？太浪费。把他几十年的经验翻译成数学语言，就是主观先验——锅里不放调料，但放“老师傅的智慧”。这是在样本稀少时最珍贵的先验来源。

把专家判断转换成 Beta 分布的参数，常用矩匹配法：让先验的均值对准专家的中心估计，先验的方差对准专家的不确定程度。

比如店长说回头率约 0.4、波动约 0.1，代入得 α+β = 0.4×0.6/0.01 − 1 = 23，于是 α ≈ 9.2，β ≈ 13.8。用法上要记住：样本少时，这锅老汤能给推断“站台”；样本多时也别迷信，老配方未必永远是对的——这时就要请出下一节的试味环节。

E[θ]=αα+β=μ0,Var[θ]=αβ(α+β)2(α+β+1)=σ02\displaystyle \mathrm{E}[\theta] = \frac{\alpha}{\alpha+\beta} = \mu_0, \qquad \mathrm{Var}[\theta] = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)} = \sigma_0^2
给定专家给出的均值 μ₀ 和方差 σ₀²，就能反解出形状参数 (α,β)。
  1. 先验均值Beta 分布的均值等于两个形状参数之比，反映专家对参数中心位置的判断。
    αα+β\displaystyle \frac{\alpha}{\alpha+\beta}
  2. 先验方差分母中的 α+β+1 体现了先验“信息量”对不确定性的压缩。
    αβ(α+β)2(α+β+1)\displaystyle \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}
  3. 反解形状参数令均值等于 μ₀、方差等于 σ₀²，解方程组得到 α+β 的表达式。
    α+β=μ0 (1−μ0)σ02−1\displaystyle \alpha+\beta = \frac{\mu_0\,(1-\mu_0)}{\sigma_0^2} - 1

六、敏感性分析：换锅底试味

再自信的老板，端出新品前也会换几种锅底各试一锅：万一某种汤底一煮就发苦呢？贝叶斯也一样——换了先验，结论还是不是那句“回头率大约 0.4”？这就是敏感性分析，它是专业贝叶斯建模的“质检环节”。

一个漂亮的视角能帮你看清先验的“权力边界”：对 Beta-二项模型，后验均值可以写成“数据估计”与“先验均值”的加权平均，权重由样本量和先验的有效样本量共同决定。

实操建议：分别用清汤、弱信息、强主观几套先验跑后验，比较点估计和 95% 可信区间。若结论基本一致，说明先验选得稳健；若结论大幅摇摆，就要如实报告，并反思是不是样本太少或先验太强。试味这件事，专业厨师从不偷懒。

E[θ∣x]  =  nn+n0 xn  +  n0n+n0 αα+β,n0=α+β\displaystyle \mathrm{E}[\theta \mid x] \;=\; \frac{n}{n + n_0}\,\frac{x}{n} \;+\; \frac{n_0}{n + n_0}\,\frac{\alpha}{\alpha+\beta}, \qquad n_0 = \alpha+\beta
n₀ 称为先验的“有效样本量”：先验相当于预先看了 n₀ 次实验。样本量越大，数据的权重越高，先验的权重越小。
  1. 数据估计部分x/n 是样本成功率，它的权重是 n/(n+n₀)。
    nn+n0⋅xn\displaystyle \frac{n}{n+n_0}\cdot\frac{x}{n}
  2. 先验均值部分α/(α+β) 是先验的期望，它的权重是 n₀/(n+n₀)。
    n0n+n0⋅αα+β\displaystyle \frac{n_0}{n+n_0}\cdot\frac{\alpha}{\alpha+\beta}
  3. 有效样本量n₀ = α+β 衡量先验的“底气”，n₀ 越大先验越强势。
    n0=α+β\displaystyle n_0 = \alpha+\beta

七、选择策略总览：一份厨房操作手册

现在，四种锅底都已学会。关键问题是：这桌客人，到底上哪种汤底？一份好的厨房手册不会只推荐一口锅，它会给出决策流程：先看数据多少，再看有没有可靠先验知识，最后永远留一道敏感性分析的质检工序。

具体策略是：样本少且专家经验可靠，就用主观先验并把假设写清楚；似然已知、追求更新效率，就用共轭先验；样本充足、希望结论客观可复现，就选 Jeffreys 或无信息先验；无论选了哪种，都必须做敏感性分析。数据量极大时，还有一个振奋人心的定理撑腰：先验的影响终将被数据稀释。

回到厨房：锅底没有永恒的“王者”，只有与食材、客群、出菜速度匹配的“最优解”。把这张手册贴在墙上，每次建模前先问三件事：我有多少数据？有没有可靠的先验知识？结论会被先验左右吗？回答完这三问，锅底自然就选出来了。

π(θ∣x)  →  N ⁣(θ^MLE, 1n I(θ^MLE))(n→∞)\displaystyle \pi(\theta \mid x) \;\to\; \mathcal{N}\!\left(\hat{\theta}_{\mathrm{MLE}},\ \frac{1}{n\,I(\hat{\theta}_{\mathrm{MLE}})}\right) \qquad (n \to \infty)
这是伯恩斯坦–冯·米塞斯定理的直观形式：样本趋于无穷时，后验趋近以极大似然估计为中心的正态分布，先验被数据“冲淡”。
  1. 后验极限中心后验最终会聚集在极大似然估计 θ̂ 附近。
    θ^MLE\displaystyle \hat{\theta}_{\mathrm{MLE}}
  2. 后验极限方差方差反比于样本量与 Fisher 信息量的乘积，样本越多分布越尖。
    1n I(θ^MLE)\displaystyle \frac{1}{n\,I(\hat{\theta}_{\mathrm{MLE}})}
  3. 收敛方向n→∞ 时，后验分布收敛到上述正态分布。
    π(θ∣x)→N(⋅,⋅)\displaystyle \pi(\theta \mid x) \to \mathcal{N}(\cdot,\cdot)

AI 应用场景

场景一：贝叶斯 A/B 测试平台中的转化率估计

阶段：模型设计 / 后验推断

解决的问题：传统频率派只给点估计和置信区间，新功能上线前样本少，很难快速决策。用 Beta-二项共轭模型，每次新增点击都能一行公式更新后验，实时给出转化率的后验分布；再配合弱信息 Beta(2,2) 与 Jeffreys Beta(0.5,0.5) 做敏感性分析，避免“数据没攒够就误判”。

具体案例：某电商平台上线新版按钮，第一天只积累 60 次曝光、12 次点击。分析师分别用 Beta(1,1) 与 Beta(0.5,0.5) 估计点击率后验，发现两套结论的 95% 区间高度重合，于是放心放量；若差异过大，则继续观察，不做激进决策。

场景二：推荐系统冷启动的乐观初始值

阶段：模型初始化 / 探索策略

解决的问题：多臂老虎机等在线学习算法需要对每个候选臂的收益均值设先验。把先验视为“锅底”：乐观先验鼓励探索，共轭先验让 Thompson 采样一行公式完成更新，避免新内容因样本稀缺而被系统饿死。

具体案例：某内容平台给新入库的视频设置 Beta(2,2) 的温和乐观先验，使其在初期获得足够曝光；随着点击反馈累积，后验自动修正，最终与老内容公平竞争。

场景三：临床试验中的贝叶斯设计

阶段：先验设定 / 敏感性分析

解决的问题：临床试验样本极小但安全攸关，纯“无信息”会浪费历史知识，纯“主观”又可能引入偏倚。统计师用历史数据构造稳健先验，再按监管要求跑多组先验的敏感性分析，证明结论不是“赌在某一锅汤底上”。

具体案例：二期试验以历史对照数据构造先验，同时用“无信息先验”和“折扣先验”两套方案模拟后验，评估试验成功率对先验的依赖程度，并写入统计分析报告。

Python 演示

python45 行
import math  def beta_pdf(x, a, b):    return (x ** (a - 1)) * ((1 - x) ** (b - 1)) / math.beta(a, b)  def beta_cdf(t, a, b):    n = 200    h = t / n    s = 0.0    for i in range(n):        x0 = i * h        x1 = (i + 1) * h        s += (beta_pdf(x0, a, b) + beta_pdf(x1, a, b)) * h / 2    return max(0.0, min(1.0, s))  def beta_quantile(p, a, b):    lo, hi = 0.0, 1.0    for _ in range(60):        mid = (lo + hi) / 2        if beta_cdf(mid, a, b) < p:            lo = mid        else:            hi = mid    return (lo + hi) / 2  def compare_priors(x, n):    priors = {        "无信息 Beta(1,1)": (1.0, 1.0),        "共轭弱信息 Beta(2,2)": (2.0, 2.0),        "Jeffreys Beta(0.5,0.5)": (0.5, 0.5),        "主观强先验 Beta(20,20)": (20.0, 20.0)    }    for name, (a, b) in priors.items():        pm = (a + x) / (a + b + n)        lo = beta_quantile(0.025, a + x, b + n - x)        hi = beta_quantile(0.975, a + x, b + n - x)        print(f"{name}: 后验均值={pm:.3f}, 95%区间=[{lo:.3f}, {hi:.3f}]")  if __name__ == "__main__":    compare_priors(x=8, n=30)
目的：在 30 次试验成功 8 次的场景下，用四套不同先验计算 Beta-二项后验的均值和 95% 可信区间——这正是敏感性分析的朴素实现：换锅底、比味道。
  1. return (x ** (a - 1)) * ((1 - x) ** (b - 1)) / math.beta(a, b)Beta 密度函数，形状参数决定分布形态，分母 math.beta 负责归一化。
  2. priors = { ... }同一份数据配四套锅底：无信息、弱信息、Jeffreys、强主观，一次看全先验的影响力。
  3. pm = (a + x) / (a + b + n)后验均值即“先验形状参数 + 数据成功数”再归一化，一行公式完成共轭更新。
  4. beta_quantile(0.025, a + x, b + n - x)求后验的 2.5% 分位数，与 97.5% 分位数合起来就是 95% 可信区间。
  5. for _ in range(60):二分法每次把区间缩小一半，60 次足以在 [0,1] 上精确到小数点后十余位。
  6. compare_priors(x=8, n=30)程序入口：先验怎么选、结论稳不稳，跑一遍立刻见分晓。

常见误区

误区很多初学者觉得只要选了均匀分布先验，自己就站在了纯客观的立场上，像没有偏见的裁判一样，结论一定最“真实”。

正解均匀先验本身也是一种选择，而且不满足参数变换不变性——对 θ 均匀，对 θ² 就不均匀。真正的“无信息”是相对的：Jeffreys 先验试图在参数变换下保持一致，但它仍然依赖似然函数的形态。建模时要主动说明先验的合理性，而不是宣称“零主观”。

为何常见：“无信息”这个名字暗示了“没有信息”，让人误以为它是绝对客观的，忽略了“不施加偏好”这件事本身就是一种偏好。

误区教材里全是共轭的漂亮推导，初学者极易把“能用共轭公式”当成“模型是对的”，觉得不用共轭就是外行。

正解共轭只是“后验与先验同族”的计算便利属性，和推断对错无关。MCMC 时代完全可以用任意先验做数值推断；共轭的价值在于实时更新和教学直观。选先验的第一标准永远是它是否符合你对问题的认识，其次才是算得快不快。

为何常见：贝叶斯教材偏爱共轭例子，推导顺滑、公式优美，学生容易把“数学上优雅”与“推理上正确”混为一谈。

误区听说大样本下先验影响会消失，于是觉得先验选什么都行，不用花心思，直接套默认值就好。

正解渐近结论只在样本量足够大时才成立；小样本或先验取在极端位置（如 Beta(10000,1)）时，先验可能完全主导后验。正确做法是无论数据多少都做敏感性分析，把结论对先验的依赖程度如实报告。

为何常见：教材常强调 n→∞ 的极限美，却很少提醒“这个极限在只有 30 个样本时还没到”，学生便把渐近结论当成了小样本真理。

误区一些 AI 从业者一听“专家经验先验”就皱眉，认为这是拍脑袋、不严谨，应该一律用清汤先验。

正解主观先验恰恰是贝叶斯框架的优势：它把专家的领域知识显式编码进模型，而不是藏在看不见的默认设置里。关键是要把先验来源、参数设定过程写清楚，并用敏感性分析验证结论不被个别假设绑架。科学与否取决于透明与可复现，而非“是否用了专家意见”。

为何常见：频率派传统教育强调客观性，让人对一切主观输入本能警惕，却忘了模型里本就充满了假设，关键是让假设可见、可检验。

面试题

Q1. 在贝叶斯公式 P(θ|x) ∝ P(x|θ)P(θ) 中，P(θ) 代表什么？

单选题 · easy

  • A.参数的先验分布← 正确答案
  • B.参数的后验分布
  • C.观测数据的似然函数
  • D.观测数据的边际分布

答案：A。P(θ) 是观测数据之前对参数的信念，即先验分布，好比熬汤前的锅底配方。B 是数据更新后的 P(θ|x)，C 是样本似然，D 是分母的归一化因子，三者都不是 P(θ) 的定义。

Q2. 均匀先验 π(θ) ∝ 1 的最主要特点是？

单选题 · easy

  • A.注入大量专家领域知识
  • B.对参数取值不设倾向← 正确答案
  • C.强制后验服从正态分布
  • D.使用共轭分布族计算

答案：B。均匀先验在有限区间内每个取值密度相同，体现“让数据说话”的清汤原则。A 是主观先验的特征；C 是样本量极大时后验的渐近形态，不是先验设定造成的；D 是共轭先验的选择，与均匀先验无关。

Q3. 关于共轭先验的正确说法是？

单选题 · mid

  • A.共轭先验是唯一正确的选择
  • B.后验与先验属于同一分布族← 正确答案
  • C.所有似然都存在共轭先验
  • D.共轭先验不需要依赖似然

答案：B。共轭先验的定义就是“先验与后验同族”，如 Beta 配二项。A 错在把计算便利当成唯一标准；C 错在共轭只是少数配对的幸运儿；D 与定义直接矛盾——共轭必然针对某种似然而言。

Q4. 参数为 θ 的 Beta(1,1) 先验等价于？

单选题 · mid

  • A.(0,1) 上的均匀先验← 正确答案
  • B.均值为 0 的正态先验
  • C.参数为 1 的指数先验
  • D.参数为 1 的泊松先验

答案：A。Beta(1,1) 的密度在 (0,1) 上恒为常数 1，正是区间 (0,1) 上的均匀分布。B 的支撑是全体实数；C 的支撑是非负实数；D 是离散分布，而 θ 是连续的成功概率，三者均不匹配。

Q5. Jeffreys 先验的构造基于哪个量？

单选题 · mid

  • A.后验分布的均值
  • B.样本观测的均值
  • C.Fisher 信息量← 正确答案
  • D.极大似然估计

答案：C。Jeffreys 先验正比于 Fisher 信息量的平方根，信息量衡量数据对参数辨识的敏感度。A 和 D 是推断输出的结果，B 是样本统计量，它们都不参与先验构造。

Q6. 二项分布成功概率 θ 的 Jeffreys 先验是？

单选题 · hard

  • A.Beta(0.5, 0.5)← 正确答案
  • B.Beta(1.0, 1.0)
  • C.Beta(2.0, 2.0)
  • D.Beta(0.5, 1.0)

答案：A。二项的对数似然对 θ 求二阶导并取期望，得 I(θ)=n/[θ(1−θ)]，开方后密度形如 θ^{−0.5}(1−θ)^{−0.5}，即 Beta(0.5,0.5)。B 是均匀先验；C 是常见弱信息先验；D 是不对称分布，均不是 Jeffreys 先验。

Q7. 敏感性分析要回答的核心问题是？

单选题 · hard

  • A.MCMC 采样的收敛速度是否达标
  • B.结论多大程度上依赖先验选取← 正确答案
  • C.似然函数是否被正确无误指定
  • D.先验是否满足共轭分布结构

答案：B。敏感性分析通过换用多套先验重跑后验，检查结论是否稳健。A 是采样诊断；C 是关于似然而非先验的模型诊断；D 只是在检验计算便利性，都不是“结论是否被先验左右”这一核心问题。

Q8. 常见的先验选择方法包括？

多选题 · easy

  • A.使用无信息均匀先验← 正确答案
  • B.使用共轭分布先验← 正确答案
  • C.使用 Jeffreys 先验← 正确答案
  • D.使用主观专家先验← 正确答案

答案：ABCD。无信息、共轭、Jeffreys、主观先验正是本文讲解的四类策略，分别对应清汤、黄金搭档、标准配方与秘制老汤。它们适用于不同场景，并无绝对的“唯一正确”。

Q9. 选择无信息先验的合理动机包括？

多选题 · mid

  • A.让数据主导最终推断← 正确答案
  • B.减少主观偏差的干扰← 正确答案
  • C.保证后验一定是正态
  • D.彻底消除所有不确定性

答案：AB。无信息先验旨在“少干预、让数据说话”，从而减少主观偏差。C 错在均匀先验不能保证后验正态，正态只是大样本极限形态；D 错在先验无法消除不确定性，只是改变不确定性的分配方式。

Q10. 关于先验与数据的关系，正确的说法包括？

多选题 · mid

  • A.数据充足时先验影响变弱← 正确答案
  • B.共轭先验可简化后验计算← 正确答案
  • C.主观先验能纳入专家知识← 正确答案
  • D.先验选择不影响任何结论

答案：ABC。大样本下后验趋于以极大似然估计为中心，A 对；共轭使后验闭式更新、无需数值积分，B 对；主观先验把领域经验显式编码进模型，C 对。D 是极端错误：小样本或强先验下，结论会被先验明显左右，所以才需要敏感性分析。