Często argumentuje się, że szkielet bayesowski ma dużą przewagę interpretacyjną (nad częstokroć), ponieważ oblicza prawdopodobieństwo parametru na podstawie danych - zamiast jak w ramy dla częstych. Jak na razie dobrze.p ( x | θ )
Ale całe równanie opiera się na:
wygląda mi trochę podejrzanie z 2 powodów:
W wielu artykułach zwykle używane są nieinformacyjne priory (rozkłady jednolite), a następnie po prostu , więc bayesianie uzyskują taki sam wynik, jak częsterzy - więc w jaki sposób lepiej bayesowskie ramy interpretacja, kiedy prawdopodobieństwo bayesowskie a posteriori i częstokroć są tymi samymi rozkładami? Po prostu daje ten sam wynik.
Korzystając z priory pouczających, otrzymujesz różne wyniki, ale na bayesowski wpływ ma subiektywny przeor, więc całe ma również subiektywny odcień.
Innymi słowy, cały argument będący lepszym w interpretacji niż opiera się na założeniu, że jest rodzajem „prawdziwym”, co zwykle nie jest, to tylko punkt wyjścia, który w jakiś sposób postanowiliśmy uruchomić MCMC, domniemanie, ale nie jest to opis rzeczywistości (myślę, że nie można go zdefiniować).p ( x | θ ) p ( θ )
Jak więc możemy argumentować, że bayesian jest lepszy w interpretacji?
uninformative or *objective* priors
? W subjective
priors są dokładnie informacyjne priors.