Może nie istnieć odpowiedź na to pytanie.
Alternatywą może być zapytanie o metody skutecznego ustalenia dwóch oszacowań dla każdego problemu. Metody bayesowskie są bardzo zbliżone do tego ideału. Jednakże, chociaż metody minimax można zastosować do ustalenia częstościowego oszacowania punktowego, ogólnie stosowanie metody minimax pozostaje trudne i zwykle nie jest stosowane w praktyce.
Inną alternatywą byłoby przeformułowanie pytania o warunki, w jakich estymatory bayesowskie i częstokrzyskie zapewniają „spójne” wyniki i próbują znaleźć metody efektywnego obliczania tych estymatorów. Przyjmuje się, że „spójny” sugeruje, że estymatory bayesowskie i częstokrzyskie wywodzą się ze wspólnej teorii i że dla obu estymatorów zastosowano to samo kryterium optymalności. To bardzo różni się od próby przeciwstawienia się statystykom bayesowskim i częstokrzyskim i może sprawić, że powyższe pytanie stanie się zbędne. Jednym z możliwych podejść jest ukierunkowanie, zarówno w przypadku częstego, jak i przypadku bayesowskiego, na zestawy decyzji, które minimalizują straty dla danego rozmiaru, tj. Zgodnie z propozycją
Schafer, Chad M. i Philip B. Stark. „Konstruowanie regionów zaufania o optymalnej oczekiwanej wielkości”. Journal of American Statistics Association 104.487 (2009): 1080-1089.
Okazuje się, że jest to możliwe - zarówno w przypadku częstego, jak i bayesowskiego - poprzez włączenie preferencji obserwacji i parametrów z dużą punktową wzajemną informacją. Zestawy decyzji nie będą identyczne, ponieważ zadawane pytanie jest inne:
- Niezależnie od tego, jaki jest prawdziwy parametr, ogranicz ryzyko podejmowania błędnych decyzji (pogląd częstych)
- Biorąc pod uwagę niektóre spostrzeżenia, ogranicz ryzyko włączenia niewłaściwych parametrów do zestawu decyzji (widok bayesowski)
Jednak zestawy będą się na siebie w dużym stopniu nakładać i w niektórych sytuacjach staną się identyczne, jeśli zostaną użyte płaskie priory. Pomysł został omówiony bardziej szczegółowo wraz ze skutecznym wdrożeniem w
Bartels, Christian (2015): Ogólne i konsekwentne zaufanie oraz wiarygodne regiony. figshare.
https://doi.org/10.6084/m9.figshare.1528163
W przypadku priorytów informacyjnych zestawy decyzji różnią się bardziej (co jest powszechnie znane i zostało wskazane w pytaniu i odpowiedziach powyżej). Jednak w spójnych ramach uzyskuje się częste testy, które gwarantują pożądane pokrycie częstych, ale uwzględniają wcześniejszą wiedzę.
Bartels, Christian (2017): Wykorzystanie wcześniejszej wiedzy w testach częstych. figshare.
https://doi.org/10.6084/m9.figshare.4819597
W proponowanych metodach wciąż brakuje skutecznego wdrożenia marginalizacji.