통계 학자들은 실제 응용 작업에서 Jeffreys의 사전을 사용합니까?

대학원 통계 추론 수업에서 Jeffreys의 이전에 대해 배웠을 때 교수님들은 누군가가 그것을 사용하기보다는 역사적 이유로 대부분 흥미로워하는 것처럼 들었습니다. 그런 다음 베이지안 데이터 분석을 수행 할 때 Jeffreys의 사전 사용을 요청받지 않았습니다. 실제로 실제로 이것을 사용하는 사람이 있습니까? 그렇다면 (또는 그렇지 않은 경우) 왜 또는 왜 그렇지 않습니까? 일부 통계 학자들은 왜 심각하게 고려하지 않습니까?

이에 대한 부분적인 답변은 Gelman et al., Bayesian Data Analysis , 3rd ed에서 찾을 수 있습니다.

Jeffreys의 원리는 다중 매개 변수 모델로 확장 될 수 있지만 결과는 더 논란의 여지가 있습니다. 벡터 모수 의 성분에 대한 독립적 인 비 정보 적 사전 분포를 가정 한 것에 기초한보다 간단한 접근법 은 Jeffreys의 원리로 얻은 것과는 다른 결과를 줄 수있다. 문제의 매개 변수 수가 많으면 5 장에서 논의한 것처럼 계층 적 모델을 선호하는 순수한 비 정보 적 이전 분포를 버리는 것이 유용하다는 것을 알았습니다.$\theta$

Gelman이 결과가 "논쟁의 여지가있다"고 썼을 때, 나는 한 차원에서 정보가없는 선행은 여러 가지면에서 유익한 정보를 얻는 경향이 있다고 생각합니다. 기억이 도움이된다면, 이것은 BDA 2nd ed. 와 같은 부분에서 제기 된 주장 이지만 지금은 나와 함께 사본이 없습니다.