베이지안 분석의 단점은 무엇입니까?

어떤 맥락에서 베이지안 통계 방법을 사용하는 것에 대한 실질적인 반대 의견은 무엇입니까? 아니요, 나는 이전의 선택에 대해 평상시와 다름을 의미하지 않습니다. 이것이 대답이 없으면 기뻐할 것입니다.

답을 드리겠습니다. 실제로 네 가지 단점. 이것들 중 어느 것도 실제로 빈번한 분석을 이끌어야하는 반대 의견은 아니지만, 베이지안 프레임 워크와 관련되는 단점이 있습니다.

1. 사전 선택. 제 경우에는 일반적인 "사전이 주관적입니다!" 그러나 사전에 결론을 내렸을 때 실제로 사전을 요약하려는 최선의 시도는 많은 경우에 많은 작업입니다. 예를 들어, 나의 논문의 전체 목표는 "예상 사전"으로 요약 될 수있다.
2. 계산 집약적입니다. 특히 많은 변수가 관련된 모델의 경우. 많은 변수가 추정되는 큰 데이터 세트의 경우, 특히 데이터를 클러스터 등에 쉽게 던질 수없는 특정 상황에서 계산적으로 매우 집약적 일 수 있습니다. MCMC가 아닌 증강 데이터와 같이이 문제를 해결하는 방법 중 일부는 적어도 이론적으로 다소 도전적입니다.
3. 분포에 대한 빈번하고 매개 변수적인 설명이 제공되지 않는 한 사후 분포는 메타 분석에 통합하기가 다소 어렵습니다.
4. 분석 대상 저널에 따라 일반적으로 Bayes를 사용하거나 원하는 사전을 선택하면 검토자가이를 분석 할 수있는 지점이 약간 더 늘어납니다. 이 중 일부는 합리적인 검토 자 이의 제기이지만 일부는 Bayes의 특성과 일부 분야의 친숙한 사람들이 그로부터 얼마나 친숙한 지에 기인합니다.

이 중 어느 것도 당신을 막을 수 없습니다. 사실, 이런 것들 중 어느 것도 나를 멈추지 않았다 한 희망 하고 베이지안 분석하는 것은 주소를 적어도 4 번 도움이 될 것입니다.

나는 성향에 의한 베이지안이지만, 실제로는 빈번하다. 그 이유는 일반적으로 관심있는 문제 유형에 대해 전체 베이지안 분석 (예 : MAP 솔루션 대신)을 올바르게 수행하는 것이 까다 롭고 계산 집약적이기 때문입니다. 종종 균등주의에 비해이 접근법의 이점을 실제로보기 위해서는 완전한 베이지안 분석이 필요합니다.

나에게 트레이드 오프는 기본적으로 개념적으로 우아하고 이해하기 쉽지만 실제로 구현하기 어려운 베이 즈 방법과 개념적으로 어색하고 미묘한 잦은 방법 중 하나를 선택합니다 (가설 ​​검정을 정확하게 해석하는 방법을 설명하는 방법 실제 값이 95 % 신뢰 구간에있을 확률이 95 % 인 이유는 없지만 "쿡북"솔루션을 쉽게 구현하는 데 적합합니다.

코스 말.

보기의 순전히 실용적인 관점에서, 나는 계산을 많이 (나는 종종 베이지안 프레임 워크에서 사용 깁스 샘플러와 MCMC, 생각하고 있지만,이 또한 적용이 필요한 방법의 팬이 아니다 예 는 빈도 분석에 부트 스트랩 기술). 그 이유는 모든 종류의 디버깅 (구현 테스트, 가정과 관련하여 견고성 검토 등 ) 자체에 많은 몬테 카를로 시뮬레이션이 필요하고 계산상의 사기에 빠지기 때문입니다. 근본 분석 기술은 근사치 일지라도 빠르고 결정적인 방법을 선호합니다.

이것은 물론 실질적인 이의 제기입니다. 무한한 컴퓨팅 리소스가 주어지면이 이의 제기는 사라질 것입니다. 그리고 베이지안 방법의 일부에만 적용됩니다. 또한 이것은 내 워크 플로우를 고려할 때 더 선호됩니다.

문제에 대한 간단하고 자연스러운 "고전적인"해결책이있는 경우가 있습니다.이 경우에는 멋진 베이지안 방법 (특히 MCMC 사용)이 과도하게 사용됩니다.

또한, 가변 선택 유형 문제에서, 처벌 가능성과 같은 것을 고려하는 것이 더 간단하고 명확 할 수 있습니다. 동등한 베이지안 접근법을 제공하는 모델에 대한 사전이 존재할 수 있지만, 선행이 최종 성능에 어떻게 대응하는지는 페널티와 성능 간의 관계보다 명확하지 않을 수 있습니다.

마지막으로, MCMC 방법은 종종 수렴 / 혼합을 평가하고 결과를 이해하는 전문가 모두를 필요로합니다.

나는 베이지안 방법에 비교적 익숙하지 않지만, 나에게 영향을주는 한 가지 점은, 이전의 이론적 근거를 이해하는 동안 (즉, 과학은 누적적인 노력이므로, 대부분의 질문에 대해 이전의 경험 / 사고의 일부는 데이터의 해석), 나는 베이지안 접근법이 당신이 분석의 시작에 주관성을 강요하여 최종 결과를 우연히 만드는 것을 싫어합니다. 나는 이것이 두 가지 이유 때문에 문제가 있다고 믿는다 : 1) 잘 모르는 일부 독자들은 이전의 내용에주의를 기울이지 않고 베이지안 결과를 비 의도적 인 것으로 해석한다. 2) 원시 데이터를 사용할 수 없으면 독자가 주관적인 우선 순위로 결과를 재구성하기가 어렵습니다. 이것이 가능성 비율을 선호하는 이유입니다.

(비평가들에 따르면, 가능성 비율조차도 비교되는 모델의 매개 변수화에 의존한다는 의미에서 "우발적"이라는 점에 주목할 것입니다. 그러나 이것은 모든 방법, Frequentist, Bayesian 및 Likelihoodist에 의해 공유되는 기능입니다)

의사 결정 이론은 통계가 작동하는 기본 이론입니다. 문제는 데이터에서 의사 결정을 내리는 좋은 절차를 찾는 것입니다. 그러나 예상 손실을 최소화한다는 의미에서 명백한 절차 선택은 거의 없으므로 다른 기준을 선택해야합니다. 이전의 일부와 관련하여 베이 즈 절차를 선택하는 것이 이러한 기준 중 하나이지만 항상 원하는 것은 아닙니다. 경우에 따라 Minimax가 더 중요하거나 편견이 없을 수도 있습니다.

잦은 주의자들이 틀렸거나 베이지안이나 틀렸다고 주장하는 사람들은 대부분 통계에 대한 무지를 드러냅니다.

얼마 동안 나는 모델링에 대한 베이지안 접근 방식에 대해 더 많이 배우고 싶었습니다. (나는 Gibbs 샘플러를 대학원 과정에서 코딩했지만 실제 아무것도 한 적이 없었습니다). 그 과정에서 브라이언 데니스 (Brian Dennis)의 논문 중 일부는 도발적인 것으로 생각되어서 논문을 읽고 그들의 반론을들을 베이지안 친구 (옷장에 없었던 친구)를 찾을 수 있기를 바랐습니다. 여기 제가 언급 한 논문이 있지만 항상 기억하는 인용문은

베이지안이라는 것은 당신이 틀렸다고 말할 필요가 없다는 것을 의미합니다.

http://faculty.washington.edu/skalski/classes/QERM597/papers/Dennis_1996.pdf http://classes.warnercnr.colostate.edu/nr575/files/2011/01/Lele-and-Dennis-2009.pdf

ISBA 분기 별 뉴스 레터의 베이지안 통계에 공개 된 문제점은 무엇입니까? "모델 선택 및 가설 검정"이라는 분야에서 다양한 리더의 베이지안 통계에 관한 5 가지 문제가 있습니다.