共轭先验

用贝叶斯定理更新信念可能很乱：一般而言，后验是某种别扭的形状，需要计算机来处理。但偶尔会有一种神奇的配对，先验与后验属于同一个整洁的分布族——观测数据只是拨动了先验的旋钮设定，而从不改变它的形状。这样的先验被称为该类数据的共轭先验。它是数学版本的钥匙，与锁严丝合缝，门一推就开。

具体地说，若把某先验分布通过贝叶斯与某似然结合后，得到的后验仍属于与先验相同的分布族，则称该先验对那个似然是共轭的。驱动信度的著名例子：伽马先验对泊松理赔次数共轭（后验仍是伽马）；贝塔先验对伯努利或二项数据共轭（后验仍是贝塔）；正态先验对正态均值共轭（后验仍是正态）。每一种里，后验参数都是简单的更新——对伽马-泊松，你只需把观测到的理赔加到一个参数上、把观测到的暴露加到另一个上。

共轭先验正是信度拥有如此漂亮闭式结果的原因。恰恰在这些配对中，贝叶斯后验均值化为一个干净的线性混合——即 Z 加权的信度公式——于是贝叶斯答案与 Buhlmann 线性估计重合（“精确信度”）。诚实的告诫：共轭性是一种数学上的便利，而非关于世界的事实。真实的理赔数据未必遵循伽马-泊松的故事，仅因易于处理就选一个共轭先验，可能悄悄植入一个并不成立的假设。现代计算（如模拟）意味着我们做贝叶斯信度已不再需要共轭性——它是一个有启发性的特例，而非必要条件。