Geleneksel frekansçı istatistik alanındaki tahmin modellerini doğrulamak için yöntem ve yazılım geliştirmeye çok zaman ayırdım. Daha fazla Bayesci fikri hayata geçirirken ve öğretirken kucaklamak için bazı önemli farklılıklar görüyorum. Birincisi, Bayes öngörülü modelleme analistten aday özelliklerine göre özelleştirilebilen önceki dağılımlar hakkında çok düşünmesini ister ve bu öncelikler modeli kendilerine çeker (yani, farklı tahmin özellikleri için farklı miktarlarda büzülme / cezalandırma / düzenlileştirme elde eder) ). İkincisi, "gerçek" Bayesci yol tek bir modelle sonuçlanmaz, ancak bir tahmin için bütün bir posterior dağılım elde edilir.
Bu Bayesian özellikleri göz önünde bulundurulduğunda, aşırı sığdırma ne demektir? Değerlendirmeli miyiz? Öyleyse nasıl? Bir Bayes modelinin saha kullanımı için güvenilir olduğunu nasıl bilebiliriz? Yoksa tahmin için geliştirdiğimiz modeli kullandığımızda posteriordan beri tartışmalı bir nokta tüm dikkat çekici belirsizlikleri taşıyacak mı?
Bayes modelini tek bir sayıya, örneğin posterior ortalama / mod / medyan riske damıtmaya zorlarsak, düşünce nasıl değişir?
Burada bazı ilgili düşünceler görüyorum . Paralel bir tartışma burada bulunabilir .
Takip eden soru :: Tamamen Bayesçiysek ve verileri görmeden önce öncelikleri düşünmek için biraz zaman harcıyorsak ve veri olasılığının uygun şekilde belirtildiği bir modele uyarsak, aşırı sığdırma konusunda modelimizden memnun olmaya zorlanıyor muyuz? ? Ya da rastgele seçilen bir konunun ortalama olarak iyi tahmin edilebileceği sıkça yapılan dünyada yapmamız gerekiyor mu, ancak çok düşük bir tahmin veya çok yüksek bir tahmin değeri olan bir konu seçersek, regresyon olacaktır ne demek?