Hayır doğru değil. Bayesian yöntemleri kesinlikle verilere uygun olacaktır. Bayesian yöntemlerini fazla giydirmeye karşı daha güçlü kılan birkaç şey var ve onları daha kırılgan hale getirebilirsiniz.
Bayesian hipotezlerinin birleştirici niteliği, ikili hipotezler yerine, birisi sıfır hipotez yöntemleri için "gerçek" modelden yoksun olduğunda çoklu karşılaştırmalar yapılmasını sağlar. Bir Bayesian posterior, uygun şekilde iyileştirmeleri ödüllendirirken değişken ekleme gibi model yapısındaki artışı etkili bir şekilde cezalandırır. Cezalar ve kazançlar, Bayesian dışı yöntemlerde olduğu gibi optimizasyonlar değil, olasılıklardan yeni bilgilerden kayıyor.
Bu, genellikle daha sağlam bir metodoloji verirken, önemli bir kısıtlama vardır ve bu, daha önce uygun dağıtımlar kullanmaktır. Frequentist yöntemleri düz öncelikleri kullanarak taklit etmek isteme eğilimi olsa da, bu uygun bir çözümü garanti etmez. Bayesian yöntemlerinde fazla uydurma ile ilgili makaleler var ve bana günahın kesinlikle düz önceliklerle başlayarak Bayesian dışı yöntemlere "adil" olmaya çalışıyor gibi görünüyor. Zorluk, önceliğin olasılığın normalleştirilmesinde önemli olduğudur.
Bayesyen modeller, Wald'un kelimenin kabul edilebilirlik duygusundaki esasen en uygun modellerdir, ancak içinde gizli bir öcü vardır. Wald, öncekilerin sizin gerçek önceliğiniz olduğunu ve bazılarını kullanmadan önce kullanmayacağınızı varsayıyor, böylece editörler bu konuda çok fazla bilgi verdiğiniz için sizi kandırmayacaklar. Frequentist modellerle aynı anlamda optimal değiller. Sık kullanılan yöntemler, tarafsız kalırken, varyansı en aza indirmenin optimizasyonu ile başlar.
Bu, bilgiyi yok etmesi ve sık sık kabul edilebilir olmasına rağmen, Wald anlamında kendinden kabul edilemez olması nedeniyle maliyetli bir optimizasyondur. Bu yüzden Frequentist modeller, tarafsızlık göz önüne alındığında verilere en uygun seçimi sağlar. Bayesian modelleri ne tarafsız ne de verilere en uygunudur. Aşırı yüklemeyi en aza indirmek için yaptığınız ticaret budur.
Bayesian modelleri, onları tarafsız kılmak için özel adımlar atılmadığı sürece, genellikle verilere daha uygun olan, aslında önyargılı modellerdir. Onların erdemleri, “gerçek modeli” bulmak için hiçbir zaman alternatif bir yöntemden daha az bilgi kullanmamalarıdır ve bu ek bilgi, özellikle örneklem çalışırken Bayesian modelleri asla alternatif modellerden daha az riskli yapmaz. Bununla birlikte, Bayesian yöntemini sistematik olarak "aldatmak" için rastgele çizilmiş bir örnek bulunacaktır.
Sorunuzun ikinci kısmına gelince, eğer tek bir numuneyi analiz edecek olursanız, posterior tüm kısımlarında sonsuza dek değişecek ve tüm bilgilerdeki bilgileri tamamen iptal eden ikinci bir numune olmadıkça öncekine geri dönmeyecekti. ilk örnek En azından teorik olarak bu doğru. Uygulamada, önceki bilgi yeterince bilgilendirici ise ve gözlem yeterince bilgisizse, o zaman etki o kadar küçük olabilir ki, bir bilgisayar önemli basamak sayısındaki sınırlama nedeniyle farklılıkları ölçemez. Bir bilgisayarın arkadaki bir değişikliği işlemesi için bir efektin çok küçük olması mümkündür.
Yani cevap "evet" dir, örneğin küçük bir örneklem büyüklüğüne ve uygunsuz önceliklere sahipseniz, bir Bayesian yöntemini kullanarak bir örneğe üstesinden gelebilirsiniz. İkinci cevap “hayır” Bayes teoremi, önceki verilerin etkisini asla unutmaz, ancak etki o kadar küçük olabilse de, onu hesaplamada kaçırırsınız.