Przede wszystkim nie ma czegoś takiego jak nieinformacyjny przeor . Poniżej widać rozkłady tylne wynikające z pięciu różnych „nieinformacyjnych” priorów (opisanych poniżej wykresu) podanych różnych danych. Jak wyraźnie widać, wybór „nieinformacyjnych” priorów wpłynął na rozkład tylny, szczególnie w przypadkach, gdy same dane nie dostarczały zbyt wielu informacji .
α=βα≤1,β≤1α=β=1α=β=1/2α=β=1/3α=β=0α=β=εε>0 ) (patrz także świetny artykuł na Wikipedii ).
αβyn
θ∣y∼B(α+y,β+n−y)
α,βα=β=1n
Na pierwszy rzut oka Haldane wcześniej wydaje się być najbardziej „nieinformacyjny”, ponieważ prowadzi do średniej tylnej, która jest dokładnie równa oszacowaniu maksymalnego prawdopodobieństwa
α+yα+y+β+n−y=y/n
y=0y=n
Istnieje wiele argumentów za i przeciw każdemu z „nieinformacyjnych” priorów (patrz Kerman, 2011; Tuyl i in., 2008). Na przykład, jak omówili Tuyl i in.,
101
Z drugiej strony, stosowanie jednolitych priorytetów dla małych zestawów danych może mieć bardzo duży wpływ (pomyśl o tym w kategoriach pseudo-rachunków). O wiele więcej informacji i dyskusji na ten temat można znaleźć w wielu artykułach i podręcznikach.
Przykro mi, ale nie ma żadnych priorytetów „najlepszy”, „najbardziej nieinformacyjny” lub „jeden rozmiar”. Każdy z nich wprowadza do modelu pewne informacje.
Kerman, J. (2011). Neutralne nieinformacyjne i pouczające sprzężone beta i gamma wcześniejsze dystrybucje. Electronic Journal of Statistics, 5, 1450-1470.
Tuyl, F., Gerlach, R. i Mengersen, K. (2008). Porównanie Bayesa-Laplace'a, Jeffreysa i innych przełożonych. The American Statistician, 62 (1): 40–44.