Bayesian analizinin eksileri nelerdir?

Bayesian istatistik yöntemlerinin herhangi bir bağlamda kullanılmasına yönelik bazı pratik itirazlar nelerdir? Hayır, her zamanki seçim seçimini umursamıyorum demek istemiyorum. Bu cevap alamazsa çok sevinirim.

Sana bir cevap vereceğim. Aslında dört dezavantaj. Bunların hiçbirinin gerçekte sıklık analizine kadar yol göstermesi gereken itirazların olmadığını, ancak bir Bayesian çerçevesine gitmenin eksileri olduğunu unutmayın:

1. Önceden seçim. Bu, bir nedenden ötürü olağan bir ihmaldir, ancak benim durumumda normal "öncelikler öznel" değildir. ama bu bir önceki ile geliyor aslında iyi gerekçeli olduğunu ve temsil eden bir önceki özetleme adresinden iyi girişimi birçok durumda çalışmaları büyük bir anlaşma. Örneğin, tezimin bütün bir amacı, "tahmini tahminler" olarak özetlenebilir.
2. Hesaplamalı olarak yoğun. Özellikle birçok değişken içeren modeller için. Pek çok değişkenin tahmin edildiği büyük bir veri kümesi için, özellikle verilerin bir kümeye veya benzeri bir öğeye kolayca atılamayacağı belirli durumlarda, aşırı derecede hesaplama açısından yoğun olabilir. Bunu çözmenin yollarından bazıları, MCMC yerine artırılmış veriler gibi, en azından benim için teorik olarak biraz zorlayıcı.
3. Posterior dağılımlar, dağılımın sık, parametrik bir tanımlaması yapılmadığı sürece, bir meta-analize dahil edilmesi biraz daha zordur.
4. Analizin hangi dergiye yönelik olması gerektiğine bağlı olarak, genel olarak Bayes kullanımı veya öncelikli tercihleriniz, bir gözden geçirenin içine girebileceği yerlere biraz daha fazla puan verir. Bunlardan bazıları makul eleştirmenlerin itirazlarıdır, ancak bazıları Bayes'in doğasından ve bazı alanlardaki insanların tanıdıklarından kaynaklanmaktadır.

Bunların hiçbiri seni durdurmamalı. Gerçekten, bunların hiçbiri beni durdurmadı ve umarım Bayesian analizini yapmak en az 4 numaraya yardım edecektir.

Ben bir eğim tarafından Bayes, ama pratikte genellikle bir sıkıcıyım. Bunun nedeni genellikle ilgilendiğim sorun türleri için tam Bayesian analizinin tam olarak yapılması (örneğin MAP çözümleri yerine) zor ve hesaplama açısından yoğundur. Sıklıkla tam bir Bayesian analizi bu yaklaşımın sıkça eşdeğerler üzerindeki faydasını görmek için gereklidir.

Benim için takas, temel olarak kavramsal olarak zarif ve anlaşılması kolay olan ancak pratikte zor olan ve sık sık garip ve pratik olan sıkça kullanılan yöntemlerle Bayesian yöntemleri arasında bir seçimdir. neden gerçek değerin% 95 güven aralığında olması ihtimalinin% 95 olma ihtimali yoktur), ancak bunlar kolay uygulanabilen "yemek kitabı" çözümlerine çok uygundur.

Kurslar için atlar.

Tamamen pratik bir bakış açısına göre, çok fazla hesaplama gerektiren bir yöntem hayranı değilim (genellikle Bayesian çerçevesinde kullanılan Gibbs örnekleyici ve MCMC'yi düşünüyorum, ancak bu örneğin frekans analizindeki önyükleme teknikleri için de geçerlidir ). Bunun nedeni, her türlü hata ayıklamanın (uygulamayı test etme, varsayımlara göre sağlamlığa bakma vb. ) Kendisinin bir sürü Monte Carlo simülasyonu gerektirmesidir ve hızlı bir şekilde hesaplamalı bir ahlaksızlığınız vardır. Altta yatan analiz tekniklerinin sadece yaklaşık olsalar bile hızlı ve deterministik olmasını tercih ederim.

Elbette bu tamamen pratik bir itiraz: Sonsuz bilgi işlem kaynaklarına bakıldığında, bu itiraz kaybolacaktı. Ve bu sadece Bayes yöntemlerinin bir alt kümesi için geçerlidir. Ayrıca bu benim iş akışım için daha çok tercih edilen bir şey.

Bazen bir soruna basit ve doğal bir "klasik" çözüm olabilir, bu durumda süslü bir Bayesian yöntemi (özellikle MCMC'de) fazlaca olabilir.

Ayrıca, değişken seçim tipi problemlerinde, cezalandırılmış bir ihtimal gibi bir şeyi düşünmek daha kolay ve anlaşılır olabilir; Eşdeğer bir Bayesian yaklaşımı veren modellerde bir öncelik olabilir, ancak öncenin nihai performansa nasıl karşılık vereceği, ceza ve performans arasındaki ilişkiden daha az net olabilir.

Son olarak, MCMC yöntemleri genellikle hem yakınsama / karışımı değerlendirmek hem de sonuçları anlamak için bir uzman gerektirir.

Bayesian yöntemlerine nispeten yeniyim, ama beni rahatsız eden bir şey, önceliklerin gerekçesini anladığım halde (yani, bilim kümülatif bir çabadır. Verilerin yorumlanması), Bayesci yaklaşımın sizi öznelliği analizin başlangıcına itmeye zorlamasını sevmiyorum, sonuçta koşullu hale getirdim. Bunun iki nedenden dolayı sorunlu olduğuna inanıyorum: 1) biraz daha iyi tanınan okuyucular, önceliklere bile dikkat etmeyecek ve Bayesian sonuçlarını koşulsuz olarak yorumlamayacak; 2) Ham veriler mevcut olmadıkça, okuyucuların sonuçları kendi öznel öncelikleri içinde yeniden yorumlamaları zordur. Bu yüzden ihtimal oranlarını tercih ediyorum.

(Astute eleştirmenleri, olasılık oranlarının bile karşılaştırılan modellerin parametreleştirilmesinde koşullu olduğu anlamında "koşullu" olduğunu not edecektir; ancak bu, tüm yöntemler, Frequentist, Bayesian ve Likelesshoodist tarafından paylaşılan bir özelliktir)

Karar teorisi, istatistiklerin üzerinde çalıştığı temel teoridir. Sorun, verilerden kararlar üretmek için iyi (bir anlamda) prosedür bulmaktır. Bununla birlikte, beklenen zararı en aza indirgeme anlamında nadiren belirsiz bir prosedür seçimi vardır, bu yüzden aralarından seçim yapmaları için başka kriterler çağrılmalıdır. Bir önceye göre Bayes olan prosedürleri seçmek bu kriterlerden biridir, ancak her zaman istediğiniz şey olmayabilir. Minimax bazı durumlarda veya tarafsızlıkta daha önemli olabilir.

Frekansistlerin yanlış ya da Bayesanlar ya da yanlışlar konusunda ısrar eden kişiler çoğunlukla istatistiklerini görmezden gelirler.

Bir süredir kendimden daha fazla bilgi edinmek için Bayesci yaklaşımlar konusunda modellik anlayışımı aşmak için modellik yapmak istedim (Gibbs örnekleyicilerini lisansüstü ders çalışmasında kodladım, ancak hiçbir zaman gerçek bir şey yapmadım). Yol boyunca Brian Dennis'in bazı evraklarının kışkırtıcı olduğunu düşünmüştüm ve bir Bayes arkadaşı buldum (dolabında olmayanlar) gazeteleri okumak ve tezgâhlarını duymak isterdim. Yani, burada atıfta bulunduğum yazılar var, ama her zaman hatırladığım alıntı

Bayesian olmak, asla yanıldığını söylemek zorunda kalmamak anlamına gelir.

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'nın üç aylık bültenindeki Bayesian İstatistikleri'ndeki açık problemler neler? Alanında çeşitli liderlerden gelen Bayesian istatistikleri ile ilgili 5 sorun var, # 1, "Model seçimi ve hipotez testleri".