주어진 추론 문제에 대해, 베이지안 접근 방식은 대개 형태와 결과가 Fequentist 접근 방식과 다르다는 것을 알고 있습니다. 상용 주의자들 (보통 저를 포함)은 종종 그들의 방법이 이전을 필요로하지 않기 때문에 "심사 주도"보다 "데이터 주도"라고 지적합니다. 물론, 베이지안은 비 정보적인 선행을 지적 할 수도 있고, 실용적이라면 실제로는 매우 확산 된 선행을 사용할 수도 있습니다.
저의 관심은, 특히 나의 후천적 객관성에서 밀수의 힌트를 느낀 후에, 아마도 특이한 이전 및 데이터 모델이 있더라도 내 목적에 따라 "객관적인"방법이 베이지안 프레임 워크에서 공식화 될 수 있다는 것입니다. 이 경우, 나는 전례가없는 사전에 대해 행복하게 무지하고 내 빈번한 방법이 암시하는 모델 입니까?
Bayesian이 그러한 공식을 지적했다면, 나의 첫 번째 반응은 "글쎄, 당신이 그렇게 할 수 있다는 것은 좋지만 그것이 문제에 대해 생각 하는 방식 은 아닙니다!" 라고 말하는 것이라고 생각 합니다. 그러나 누가 내가 어떻게 생각 하는지 또는 어떻게 공식화하는지에 관심이 있습니다. 내 절차가 일부 베이지안 모델 과 통계적으로 / 수학적으로 동일하면 베이지안 추론을 암시 적으로 ( 무의식적으로 !) 수행하고 있습니다.
아래 실제 질문
이 깨달음은 잘난 척하는 유혹을 실질적으로 약화 시켰습니다. 그러나 베이지안 패러다임이 모든 빈번한 절차를 수용 할 수 있는지 (베이지안이 적절한 사전 및 가능성을 선택한다면) 확실하지 않다 . 나는 그 대화 가 거짓 이라는 것을 안다 .
최근에 조건부 유추에 대한 질문을 게시하여 다음과 같은 논문으로 연결했기 때문에이 질문을합니다. 여기 (3.9.5,3.9.6 참조)
그들은 Basu의 잘 알려진 결과가 하나 이상의 부수 통계가있을 수 있으며 어떤 "관련 부분 집합"이 가장 관련성 이 있는지에 대한 질문을 던진다 . 더 나쁜 것은 고유 한 보조 통계가 있더라도 다른 관련 하위 집합의 존재를 제거하지 않는 두 가지 예를 보여줍니다.
그들은 베이지안 방법들 (또는 그것들과 동등한 방법들)만이이 문제를 피할 수 있고 문제없는 조건부 추론을 허용 할 수 있다고 결론을 내린다.
Bayesian Stats Fequentist Stats 의 경우는 그렇지 않을 수도 있습니다. 이것이이 그룹에 대한 제 질문입니다. 그러나 두 패러다임 사이의 근본적인 선택은 목표보다 철학이 적습니다. 높은 조건부 정확도 또는 낮은 무조건 오류가 필요합니까?
단일 인스턴스를 분석해야 할 때 높은 조건부 정확도가 적용되는 것으로 보입니다.이 방법이 다음 데이터 세트에 적합하지 않거나 정확하지 않을 수 있음에도 불구하고이 특정 추론에 적합합니다 (조건부 / 특수화).
조건부 오류가 적 으면 장기 오류가 최소화되거나 제어되는 한 조건부로 부정확 한 추론을 할 경우에 적합합니다. 솔직히,이 글을 쓴 후에, 나는 시간이 걸리고 베이지안 분석을 할 수 없다면 왜 이것을 원할 지 확신 할 수 없습니다.
가능성 함수에서 (점근 적 / 대략적인) 조건을 갖기 때문에 가능성에 기반한 후퇴 주의적 추론을 선호하는 경향이 있지만, 이전과 비교할 필요는 없지만, 특히 베이지안 추론에 점점 더 편해졌습니다. 작은 표본 추론에 대한 이전의 정규화 용어를 봅니다.
옆으로 미안합니다. 내 주요 문제에 대한 도움을 주시면 감사하겠습니다.