OSTRZEŻENIE Napisałem tę odpowiedź dawno temu, nie mając pojęcia, o czym mówię. Nie mogę go usunąć, ponieważ został zaakceptowany, ale nie mogę stać za większością treści.
To bardzo długa odpowiedź i mam nadzieję, że będzie w jakiś sposób pomocna. SPC nie jest moją dziedziną, ale myślę, że te komentarze są na tyle ogólne, że mają tutaj zastosowanie.
Twierdziłbym, że najczęściej cytowaną zaletą - umiejętnością uwzględnienia wcześniejszych przekonań - jest słaba przewaga zastosowana / pola empiryczne. To dlatego, że musisz oszacować swoje wcześniejsze. Nawet jeśli mogę powiedzieć „cóż, poziom z jest zdecydowanie nieprawdopodobny”, nie mogę przez całe życie powiedzieć ci, co powinno się stać poniżej z. O ile autorzy nie zaczną publikować swoich surowych danych w masie, moje najlepsze przypuszczenia dotyczące priorów są warunkowymi momentami zaczerpniętymi z poprzedniej pracy, które mogły, ale nie muszą być dopasowane w podobnych warunkach do tych, z którymi się mierzysz.
Zasadniczo techniki bayesowskie (przynajmniej na poziomie konceptualnym) są doskonałe, gdy masz silne założenie / pomysł / model i chcesz przenieść je do danych, a następnie zobaczyć, jak źle się zachowujesz. Ale często nie chcesz sprawdzić, czy masz rację co do jednego konkretnego modelu procesu biznesowego; bardziej prawdopodobne, że nie maszmodel i szukają informacji o tym, co zrobi Twój proces. Nie chcesz wypychać swoich wniosków, chcesz, aby Twoje dane wypychały twoje wnioski. Jeśli masz wystarczającą ilość danych, tak i tak się stanie, ale w takim razie po co zawracać sobie głowę uprzedzeniem? Być może jest to zbyt sceptyczne i niechętne do podejmowania ryzyka, ale nigdy nie słyszałem o optymistycznym biznesmenie, który również odniósł sukces. Nie ma sposobu na oszacowanie niepewności co do własnych przekonań i wolałbyś nie ryzykować zbytniej pewności siebie w niewłaściwej sprawie. Ustawiasz więc nieinformacyjny przeor, a przewaga znika.
Jest to interesujące w przypadku SPC, ponieważ w przeciwieństwie do, powiedzmy, marketingu cyfrowego, procesy biznesowe nie są wiecznie nieprzewidywalne. Mam wrażenie, że procesy biznesowe zwykle zmieniają się celowo i stopniowo. Oznacza to, że masz dużo czasu na zbudowanie dobrych, bezpiecznych priorów. Przypomnijmy jednak, że w priory chodzi o propagowanie niepewności. Poza subiektywnością Bayesianizm ma tę zaletę, że obiektywnie propaguje niepewność w głęboko zagnieżdżonych procesach generowania danych. Że dla mnie jest naprawdę co statystyki Bayesa jest dobre dla. A jeśli szukasz niezawodności swojego procesu znacznie przekraczającej granicę „istotności” 1 na 20, wydaje się, że chciałbyś uwzględnić jak największą niepewność.
Gdzie są modele Bayesa? Po pierwsze, są trudne do wdrożenia. Mówiąc wprost, mogę nauczyć OLS inżyniera mechanika w 15 minut i zlecić mu wykonanie regresji i testów t w Matlabie w innym 5. Aby użyć Bayesa, najpierw muszę zdecydować, jaki model pasuję, a następnie sprawdź, czy jest gotowa biblioteka w języku, który zna ktoś w mojej firmie. Jeśli nie, muszę użyć BŁĘDÓW lub Stana. Następnie muszę uruchomić symulacje, aby uzyskać nawet podstawową odpowiedź, a to zajmuje około 15 minut na 8-rdzeniowej maszynie i7. Tyle o szybkim prototypowaniu. Po drugie, zanim otrzymasz odpowiedź, spędziłeś dwie godziny na kodowaniu i czekaniu, tylko po to, aby uzyskać taki sam efekt, jaki mógłbyś uzyskać z częstymi przypadkowymi efektami ze klastrowymi standardowymi błędami. Może to wszystko jest zarozumiałe i błędne i wcale nie rozumiem SPC.
Porównałem Bayesianizm do bardzo wysokiej jakości noża szefa kuchni, garnka stockowego i patelni sautee ; Częstotliwość jest jak kuchnia pełna narzędzi As-Seen-On-TV, takich jak krajalnice do bananów i garnki do makaronu z otworami w pokrywie ułatwiającymi opróżnianie . Jeśli jesteś doświadczonym kucharzem z dużym doświadczeniem w kuchni - w rzeczy samej, we własnej kuchni merytorycznej, która jest czysta i uporządkowana, a wiesz, gdzie wszystko się znajduje - możesz robić niesamowite rzeczy za pomocą małego wyboru eleganckie, wysokiej jakości narzędzia. Możesz też użyć szeregu różnych małych narzędzi ad-hoc *, które wymagają zerowej umiejętności, aby przygotować prosty, naprawdę niezły posiłek, który ma kilka podstawowych smaków. Właśnie wróciłeś do domu z kopalni danych i jesteś spragniony rezultatów; którym jesteś kucharzem?
* Bayes jest równie ad hoc, ale mniej przejrzysty . Ile wina jest w twoim Coq au Vin? Nie mam pojęcia, wpatrujesz się w nią, bo jesteś zawodowcem. Lub, nie możesz odróżnić Pinot Grigio od Pinot Noir, ale pierwszy przepis na Epicurious mówi o użyciu 2 filiżanek czerwonego, więc to właśnie zrobisz. Który z nich jest bardziej „ad-hoc”?