Szybka odpowiedź na wypunktowaną treść:
1) Błąd mocy / typu 1 w analizie Bayesa vs. analiza częstych
Pytanie o typ 1 i moc (tj. Jeden minus prawdopodobieństwo błędu typu 2) oznacza, że możesz umieścić swój problem wnioskowania w powtarzającym się schemacie próbkowania. Czy możesz? Jeśli nie możesz, nie ma wielkiego wyboru, jak tylko odejść od częstych narzędzi wnioskowania. Jeśli możesz i jeśli zachowanie twojego estymatora w stosunku do wielu takich próbek ma znaczenie, i jeśli nie jesteś szczególnie zainteresowany w dokonywaniu stwierdzeń prawdopodobieństwa dotyczących konkretnych zdarzeń, to nie mam żadnego silnego powodu, aby się poruszać.
Argument ten nie polega na tym, że takie sytuacje nigdy nie powstają - z pewnością tak się dzieje - ale zazwyczaj nie pojawiają się one w obszarach, w których stosowane są metody.
2) Kompromis w złożoności analizy (Bayesian wydaje się bardziej skomplikowany) w porównaniu do uzyskanych korzyści.
Ważne jest, aby zapytać, gdzie idzie złożoność. W procedurach częstych implementacja może być bardzo prosta, np. Zminimalizować sumę kwadratów, ale zasady mogą być dowolnie złożone, zwykle obracają się wokół tego, który estymator (e) wybrać, jak znaleźć odpowiedni test (y), co myśleć, kiedy nie zgadzają się. Dla przykładu. zobacz wciąż ożywioną dyskusję, zebraną na tym forum, o różnych przedziałach ufności dla części!
W procedurach bayesowskich implementacja może być dowolnie złożona, nawet w modelach, które wyglądają, jakby „powinny” być proste, zwykle z powodu trudnych całek, ale zasady są niezwykle proste. To zależy raczej od tego, gdzie chciałbyś być.
3) Tradycyjne analizy statystyczne są proste, z dobrze ustalonymi wytycznymi dotyczącymi wyciągania wniosków.
Osobiście nie pamiętam, ale z pewnością moi uczniowie nigdy nie uważali ich za proste, głównie ze względu na zasadę proliferacji opisaną powyżej. Ale tak naprawdę nie chodzi o to, czy procedura jest prosta, ale czy jest bliższa racji, biorąc pod uwagę strukturę problemu.
Wreszcie zdecydowanie nie zgadzam się, że w obu paradygmatach istnieją „ugruntowane wytyczne do wyciągania wniosków”. I myślę, że to dobrze . Jasne, „znajdź p <.05” jest jasną wytyczną, ale dla jakiego modelu, z jakimi poprawkami itp.? Co mam zrobić, gdy moje testy się nie zgadzają? Potrzebny jest tu osąd naukowy lub inżynierski, tak jak i gdzie indziej.