- bu veriler verilen bir parametre olasılığını hesaplar çünkü çoğu zaman, (frequentist üzerinden) Bayesian çerçeve yorumlanmasında büyük bir üstünlüğe sahip olduğunu ileri sürülmektedir yerine p ( x | İçeride ISTV melerin RWMAIWi'nin ) frequentist çerçevesindeki gibi . Çok uzak çok iyi.
Ancak, temel aldığı tüm denklem:
2 nedenden dolayı bana biraz şüpheli görünüyor:
Birçok makalede, genellikle bilgilendirici olmayan öncelikler (tekdüze dağılımlar) kullanılır ve daha sonra sadece , böylece bayesliler sık sık elde edilenlerle aynı sonucu alırlar - öyleyse yorumda bayes çerçevesi nasıl daha iyi olur, bayes posterior ve frekansçıların aynı dağılımlar ne zaman? Sadece aynı sonucu verir.
Bilgilendirici öncelikler kullanırken, farklı sonuçlar elde edersiniz, ancak bayes, önceki öznelden etkilenir, bu nedenle tüm , öznel sektöre de sahiptir.
Bir başka deyişle, tüm argüman daha yorumlanmasında iyi olma p ( x | θ ) bir varsayıma dayanmaktadır p ( θ ) , bu sadece bir olduğunu tür normalde olmadığı, "gerçek" taşımaktadır başlangıç noktasını bir şekilde MCMC'yi çalıştırmayı seçiyoruz, bir varsayım, ama bu gerçekliğin bir tanımı değil (sanırım tanımlanamaz).
Peki bayezinin yorumda daha iyi olduğunu nasıl tartışabiliriz?
uninformative or *objective* priors
mı? Öncelikler subjective
tam olarak bilgilendirici önceliklerdir.