推断主持人:用贝叶斯视角看蒙提霍尔问题

📌 One-Sentence Summary
一位在职宇宙学家将蒙提霍尔问题重新表述为关于主持人行为的贝叶斯推断,说明著名的 2/3 答案依赖于未言明的假设,并且可以从过往节目中估计出来。
📝 Summary
文章重新审视蒙提霍尔问题,主张标准的「总是换门」答案(2/3)并非门本身的属性,而是某个特定主持人模型的属性。文章先走了一遍经典的贝叶斯表格,然后改变主持人的设定:一个不知情、随机开门的无知主持人(Monty Fall)给出 50-50;一个对某扇门有偏好 q 的主持人,换门获胜概率为 1/(1+q) 和 1/(2-q),下界为 1/2。作者随后把 q 视为未知量,用 NumPyro 实现的 Beta-Bernoulli 模型从过往节目中估计它,并指出只有参赛者最初选中汽车的那些局才具有信息量。贝叶斯因子 (3/2)^n 用于检验主持人是否知道汽车在哪。最后,当主持人以概率 a 和 b 决定是否提供换门机会时,换门获胜概率为 2b/(2b+a),于是「总是换门」可能变成「从不换门」。作者将此与 Malmquist 偏差和幸存者偏差联系起来,敦促读者在解读数据之前先问数据是如何生成的。
💡 Main Points
2/3 的换门优势来自对主持人行为的假设,而非门本身。
在贝叶斯表格中,悬殊的后验概率完全来自似然列,其中每一项都编码了一个未经检验的断言,即主持人如何选择打开哪扇门。
改变主持人的知识或偏好会改变答案,有时变化还很剧烈。
一个不知情、随机开门的主持人给出 50-50;一个以概率 q 偏向 3 号门的主持人,若打开 3 号门则换门获胜概率为 1/(1+q),若打开 2 号门则为 1/(2-q),始终不低于 1/2。
主持人的偏好可以从过往节目中估计,但只有有信息量的局才算数。
当参赛者最初选中山羊时主持人别无选择,因此只有参赛者选中汽车的局才能揭示偏好。对 10 个有信息量的节目拟合 Beta-Bernoulli 模型,在真实 q 为 0.8 时得到接近 0.83 的后验均值。
贝叶斯因子 (3/2)^n 可区分知情主持人与无知主持人。
每个以山羊结尾的节目在知情主持人下概率为 1,在随机主持人下为 2/3,因此十个干净的节目给出约 57.7 的贝叶斯因子,支持知情主持人。
当主持人控制是否提供换门时,提供换门这一行为本身就成了证据。
设提供换门的概率为 a(参赛者选中汽车时)和 b(参赛者选中山羊时),换门获胜概率为 2b/(2b+a);如果主持人只在参赛者已选中汽车时才提供换门,换门总是输。
💬 Key Quotes
2/3 就住在那里,而不在门里。
你并没有用严格去换宽松。
所以在你问数据说了什么之前,先问问它是怎么到你手上的。
门几乎无关紧要。他的动机才关键。
正是这种筛选吃掉了优势。
📊 Article Meta
AI Screening: 86
Source: Towards Data Science
Author: Samit Ganguly
Category: 个人成长
Language: 英文
Read Time: 11 min
Word Count: 2528
Tags:
效率与成长 , 因果推断 , 数据科学 , 贝叶斯推断 , 概率
看标题就点进来了,内容果然没让人失望。
赞同,实践出真知。
讲解得很细致,新手也能看懂。
看完了,收获满满,期待更多更新。
写得挺用心的,支持一下。
不错不错,已加入书签。
实话,说的不明不白
赞同,实践出真知。
这个比较实用,已转发给同事。
这个比较实用,已转发给同事。
收藏了,以后慢慢研究。
不错不错,已加入书签。