Які мінуси байєсівського аналізу?

Які практичні заперечення щодо використання байєсівських статистичних методів у будь-якому контексті? Ні, я не маю на увазі звичайний догляд за вибором попереднього. Я буду радий, якщо на це не надійде відповідей.

Я збираюся дати тобі відповідь. Фактично чотири недоліки. Зауважте, що жодне з цих насправді не є запереченнями, які повинні привести один до одного до періодичного аналізу, але є бажання дотримуватися байєсівських рамок:

1. Вибір попереднього. Це звичайний догляд за причиною, хоча в моєму випадку це не звичайні "пріори суб'єктивні!" але те, що придумати попереднє, що є досить аргументованим і фактично представляє вашу найкращу спробу узагальнити попереднє, - це велика робота у багатьох випадках. Наприклад, ціль моєї дисертації може бути підсумована як "пріоритетні оцінки".
2. Це обчислювально інтенсивно. Особливо для моделей, що включають багато змінних. Для великого набору даних, що оцінюється багатьма змінними, це може бути надзвичайно обчислювально обчислювальним, особливо в певних обставинах, коли дані не можуть бути легко перекинуті на кластер тощо. Деякі способи вирішення цього питання, як-от доповнені дані, а не MCMC, є дещо теоретично складними, принаймні, для мене.
3. Задні розподіли дещо складніше включити в метааналіз, якщо тільки не наводиться частотистський параметричний опис розподілу.
4. Залежно від того, для якого журналу призначений аналіз, або використання Байєса взагалі, або ваш вибір пріорів, дає вашій роботі трохи більше балів, де рецензент може заглибитись у неї. Деякі з них є обґрунтованими запереченнями рецензентів, але деякі якраз випливають із природи Байєса та того, наскільки знайомі люди в деяких галузях.

Жодне з цих речей не повинно вас зупинити. У самому справі, жодна з цих речей не зупинив мене, і , сподіваюся , робити аналіз байєсівського допоможе вирішити по крайней мере , номер 4.

Я байесист за нахилом, але взагалі частою практикою. Причиною цього зазвичай є те, що правильне виконання повного байєсівського аналізу належним чином (а не, наприклад, рішення MAP) для тих типів проблем, які мене цікавлять, є складним та обчислювально інтенсивним. Часто потрібен повний байєсівський аналіз, щоб реально побачити вигоду від такого підходу над частоевістськими еквівалентами.

Для мене компроміс - це в основному вибір між байєсівськими методами, які є концептуально елегантними та легко зрозумітими, але важкими для впровадження на практиці та методами частолістської діяльності, які є концептуально незграбними та тонкими (спробуйте пояснити, як правильно інтерпретувати тест гіпотези або чому немає 95% ймовірності того, що справжня цінність лежить у 95% довірчому інтервалі), але вони цілком підходять для легко реалізованих рішень "кулінарної книги".

Коні на курси.

З чисто практичної точки зору я не є прихильником методів, які вимагають багато обчислень (я маю на увазі пробовідбірник Гіббса та MCMC, які часто використовуються в байєсівських рамках, але це стосується, наприклад, прийомів завантажувальної техніки у періодичному аналізі). Причина полягає в тому, що будь-яка налагодження (тестування впровадження, перегляд надійності щодо припущень тощо ) сама по собі вимагає купу моделювання Монте-Карло, і ви швидко потрапляєте в обчислювальну суть. Я вважаю за краще, щоб основні методи аналізу були швидкими та детермінованими, навіть якщо вони є лише приблизними.

Звичайно, це суто практичне заперечення: якщо нескінченно обчислювати ресурси, це заперечення зникне. І це стосується лише підмножини байєсівських методів. Крім того, це більше перевагу, враховуючи мій робочий процес.

Іноді існує просте і природне "класичне" рішення проблеми, і в цьому випадку фантазійний метод Байєса (особливо з MCMC) був би надмірним.

Крім того, у проблемах типу змінного вибору може бути більш зрозумілим і зрозумілим розглянути щось на кшталт пеніалізованої ймовірності; на моделях може існувати пріоритет, що дає еквівалентний байєсівський підхід, але як попередній відповідає кінцевій продуктивності, може бути менш зрозумілим, ніж взаємозв'язок між штрафом та виконанням.

Нарешті, методи MCMC часто вимагають експерта як для оцінки конвергенції / змішування, так і для осмислення результатів.

Я відносно новий в байєсівських методах, але одне, що мене дратує, це те, що я розумію обґрунтування пріорів (тобто наука - це сукупне починання, тому для більшості питань є деякий обсяг попереднього досвіду / мислення, який повинен повідомити ваші інтерпретація даних), мені не подобається, що байєсівський підхід змушує вас підштовхувати суб'єктивність до початку аналізу, перетворюючи на кінцевий результат контингент. Я вважаю, що це проблематично з двох причин: 1) деякі менш добре розбираються читачі навіть не звертають уваги на пріорів і інтерпретують результати Байєса як непередбачувані; 2) якщо наявні необроблені дані, читачам важко переробити результати у своїх суб'єктивних пріоріях. Ось чому я віддаю перевагу співвідношенням ймовірності,

(Проникливі критики відзначають, що навіть коефіцієнт ймовірності є "умовним" в тому сенсі, що він залежить від параметризації моделей, що порівнюються; однак це особливість, якою поділяються всі методи, частота, байесівська та вірогідність)

Теорія рішень - основна теорія, на якій працює статистика. Проблема полягає у пошуку хорошої (у певному сенсі) процедури отримання рішень із даних. Однак рідко є однозначний вибір процедури, з точки зору мінімізації очікуваних збитків, тому для вибору серед них потрібно застосовувати інші критерії. Вибір процедур, які Баєс щодо деяких попередніх, є одним із цих критеріїв, але він не завжди може бути таким, яким ви хочете. Мінімакс може бути важливішим у деяких випадках або неупередженим.

Той, хто наполягає на тому, що часто відвідувачі неправі, чи байєзці, чи неправильно, в основному виявляють своє незнання статистики.

Деякий час я хотів більше навчити себе байєсівським підходам до моделювання, щоб подолати своє коротке розуміння (я зашифрував пробовідбірників Гіббса в аспірантурі, але ніколи не робив нічого реального). По дорозі, хоча я вважав, що деякі документи Брайана Денніса хоч і провокують, і я хотів, щоб я міг знайти друга Байєса (тих, хто не був у шафі), щоб прочитати папери і почути їхні контрапункти. Отже, ось документи, про які я говорю, але цитата, яку я завжди пам’ятаю, є

Бути Байєсієм означає ніколи не говорити, що ти помиляється.

http://facturing.washington.edu/skalski/classes/QERM597/papers/Dennis_1996.pdf http://classes.warnercnr.colostate.edu/nr575/files/2011/01/Lele-and-Dennis-2009.pdf

Які відкриті проблеми байєсівської статистики з квартального розсилку бюлетенів ISBA 5 проблем із байєсівською статистикою різних лідерів у цій галузі, №1, що досить нудно, "Вибір моделі та тестування гіпотез".